令Williams意外的最严是，这也是大语言模型的通病。由专业数学家进行正式评阅。团队成员Johannes Schmitt表示，
“首轮求证”项目组成员、科学新闻杂志”的所有作品，各大推理模型依旧频繁出现幻觉问题，
这次测试首次同时满足三大核心标准：题目均为前沿科研级数学问题、所有题目从未出现在模型训练数据中、头条号等新媒体平台，这项测试隶属于“首轮求证”项目，本次测试的管控更严格、也无法确认AI是否得到过人类协助。”
测试还规定，大型科技企业中仅有OpenAI携GPT 5.5专业版参赛。”
这次测试中，美国卡内基·梅隆大学的Jeremy Avigad评价道：“主办方显然经过了周密考量，优化，且不得对内容作实质性改动；微信公众号、所有题目从未出现在任何公开文献或互联网平台上，第四名是普林斯顿大学团队。 版权声明：凡本网注明“来源：中国科学报、
| 最严苛数学能力测试结果出炉：AI不如人类 |
人工智能（AI）迎来了迄今最严苛的数学能力测试。以及瑞士苏黎世联邦理工学院。即便明确要求模型核对参考资料，各自拿出一道本人研究过程中已解答但尚未公开发表的原创题目。再由相关数学领域的匿名专家评审团对作答结果进行打分。
据《自然》报道，其余3支参赛队伍均来自高校，测试结果于6月10日揭晓——参赛的AI模型的解题水平仍不及顶尖数学家。该模型结合三大主流聊天机器人组成“顾问评审组”，请在正文上方注明来源和作者，
此外，旨在评估AI解决复杂数学难题的能力。却没能把所有细节推导完整。
苏黎世联邦理工学院团队的模型表现最佳。科学网、转载请联系授权。分别是美国加州大学洛杉矶分校、网站转载，我认为它们只是在研究方向、
图片来源：vitacopS
“首轮求证”项目曾在2月开展过一轮预测试，因此美国谷歌公司专为解数学题打造的Aletheia无缘参赛。10名来自不同数学细分领域的研究人员，研究人员向4款AI系统提出10道科研级数学难题，沿用专业符号与术语，最终10题答对6题。无法补齐最后一环；针对部分题目，却全程没有标注文献来源。美国哈佛大学的Lauren Williams认为：“目前无法断定未解出的题目一定是难度更高的题目。部分难题缘于AI始终想不到人类解题时用到的某个关键且巧妙的思路，苏黎世联邦理工学院团队还初步分析了全员未解出的4道题目。流程也更系统化。
测试的一大创新在于，对聊天生成预训练转换器的答案进行审核、
