0.0004 撬动 13 万次引用：GPT-5.6 九十分钟证伪 BH 猜想
2026 年 7 月 14 日，宾夕法尼亚大学沃顿商学院统计副教授埃德加·多布里班（Edgar Dobribana）打开 ChatGPT，向 GPT-5.6 Sol Pro 抛了一道压了二十年的题。
他只喂了一份材料：Benjamini-Hochberg（BH）方法的严格数学形式化定义，没加提示词，没加思维链，没"请分步推理"。
大约九十分钟后，模型返出一套完整反例构造方案。
而一个月前，同一个多布里班用 GPT-5.5 啃同一道题——多智能体并行跑了二十多个小时，一无所获。
差 0.0004。但基因筛选、fMRI 脑成像这些倚着 BH 走的领域，都得回头看一眼自己的结论。
那篇被引 13 万次的"支柱"
1995 年，Benjamini 与 Hochberg 发了一篇论文，给多重假设检验提了个新标准——控制错误发现率（FDR），即 BH 方法。
此前科学界控假阳性靠的是族系误差率（FWER），卡太死，高通量科研几乎没法做。BH 一出，等于清了障：数万条基因里筛致病靶点？fMRI 里定位几十万体素？BH 就是那道安全阀——保证你宣称的"重大发现"里，错误率不踩过预设线。
至今这篇引用破 13 万次。斯坦福统计泰斗伊曼纽尔·坎德斯（Emmanuel Candès）的判词：1950 年以来统计学领域最重要的两项成果之一。
但大厦上空悬了二十年的云。
BH 最早只在数据相互独立下被证有效，2001 年拓到正相关依赖（PRDS）。可现实数据哪有那么乖——基因组连锁不平衡、脑区信号耦合、金融指标同涨同跌，全是"任意相关"。学界卡出的问号：
在任意相关结构的双侧高斯检验下，BH 还能稳稳控住 FDR 吗？
二十年里，包括 Benjamini 本人在内的顶尖学者反复推、反复仿，多数倾向"应该还行"。但两样一直缺：严谨证明，或证伪反例。
这道题，立了二十年。
九十分钟，从零拼出反例
GPT-5.6 搭的是一套高斯因子模型，三组变量共享同一个潜在随机因子 Z，但作用方向相反：
第一组：96N 个原假设成立；
第二、三组：合计 4N 个有效信号。
精妙处在：当 Z 落在一组正概率区间时，信号区块推高拒绝数，同时原假设双侧尾部概率刚好高于理论预期。
最终：显著性水平 α=0.01 下，
FDRN>0.0104>α
差 0.0004，极小，但严格越线。反例不需要宏大，存在即可。
更关键的是，GPT-5.6 同步出了区间算术核验证明——全部运算用向外取界区间算法，每条边界确保包住精确实数解。Python
forest调 Arb 数学库，任何人可拉代码复现。不是"AI 碰巧猜中"，是 AI 交了一份可机器核验的严谨证明。
0.0004 的缝，已经够撼根基
多布里班自己给的定心丸：本次发现现阶段主要影响理论层，BH 实务里照样能用。但"理论层"三个字，恰恰是这套体系最核心的那块。
理论是地基。地基裂一道缝，楼上不会立刻塌，但所有人都知道缝在那。
加州大学伯克利分校统计学家 Will Fithian 那条推被转得最多：
这个猜想是统计学领域最有意思的未解难题……GPT-5.6 解开了，但我原本希望由人类完成。
一名数学家坦言，自己和团队用 GPT-5.5 啃过好几轮，全败。学界开始冒一种声音：理论统计学家以后的位置在哪？
多布里班总结："模型能力的提升真切可感，我们身处一个激动人心的时代。"
这早已不是"AI 辅助科研"——是 AI 独立啃下一道人类苦寻二十年、顶尖学者束手的无解之题。对理论统计这行，历史像在这一刻被折了一下：二十年的脑力量，压进模型九十分钟的推理里。
同周 GPT-5.6 还一小时攻下图论五十年猜想、一夜解开卡了物理学家半年的弦论题，BH 是第三发；Tracking AI 离线 IQ 榜 GPT-5.6 全家桶 136 分，首破 130"天才线"。
仅仅 0.0004 的缝，就够让所有倚 BH 走的基因筛选、fMRI 研究，回头重新审视自己的结论。
长推理跑起来，模型侧的事也得跟上
BH 这种题能 ninety-minute 跑完，背后是 Sol 档长推理 + Ultra 四 Agent 协同 + 150 万上下文——但"单任务长耗、多轮核验、区间算术复现"的科研场景，token 是真不便宜。同周那几发（图论、弦论）要是全走官方直连，账单先扛不住。
现在不少研究团队的分层配法：GPT-5.6 Sol 主攻长推理和科研攻坚，Claude 4/5 写 Agent 循环逻辑，Gemini 扛多模态，DeepSeek 补性价比——不同环节塞不同模型，账才好看。
像 UseAIAPI 这类把 GPT-5.6、Gemini、Claude、DeepSeek 等最新主流模型聚在一起的接入服务，近期在科研和开发者圈提得越来越多：省掉逐个签约、逐个适配的麻烦；实验室或企业可以按自己节奏做定制封装，长推理、Agent 循环、多模态都能直接嵌；价格层面，官方定价 5 折起，对"单次长耗 + 多轮迭代 + 多 Agent 协同"这类科研调用，预算比较好控。
0.0004 撬动 13 万次引用的——是模型的事；让模型能安心跑满九十分钟不被账单叫停，是接入侧的事。两边都就位，"折叠历史"才折叠得起。