文章标题:用 AI 重访我的硕士论文——理解黎曼假设
正文: 最近,AI 做数学这件事引起了相当大的轰动。9 月,OpenAI 声称解决了 Navier–Stokes 千禧年大奖难题的某个版本;10 月,它又声称证明了 Landau–Siegel 零点不存在。把这些声明夹在寻常的产品发布之间,可谓口气不小。
我立刻想到的问题是:这实际上是怎么运作的?
显然,这可不是打开 ChatGPT 输入下面这句话那么简单:
解决 navier stokes。认真想。别出错!
OpenAI 对自家 Navier–Stokes 工作的描述提到,有一个内部模型,成功的那一组里大约有 10,000 个并发 agent,88 小时得出一个候选解,随后又用 17 小时进行 Lean 形式化与验证。各组探索了不同的变体;一个中间性的 Euler 结果被反馈回搜索过程;Codex 在各组之间整合洞见。一段简短的突破性描述背后,是一个规模可观的研究过程。
这项公告发布之时,还伴随着一场围绕未发表研究和科学署名的严重争议。在公开声明中,Tristan Buckmaster 质疑他和 Levent Alpöge 的私人 Codex 会话是否影响了 OpenAI 的工作,并称有人要求把 Alpöge 从作者名单中移除。1 OpenAI 否认使用了他们未发表的工作或 Codex 会话。Buckmaster 本人表示,他并不知道他们的数据是否被使用;他对署名争论的叙述仍然令人深感不安。
Siegel 零点的故事随后也有了人工的阐述和简化,包括 William Banks 和 Bryce Kerr 的论文。我在这里不会去裁决这两项声称的突破中的任何一个。我感兴趣的是,从提出问题到得到一个可供他人检验的论证之间,那段工作是如何进行的。
在这种情境下,agent 是什么?成千上万个 agent 能做哪些单个 agent 做不到的事?是谁决定它们研究什么,它们的答案又如何变成一份证明?一个普通人能否用普通订阅就能获得的工具,去尝试类似的事情?
我用自己硕士论文里的问题试了试。
两篇论文和一个非常熟悉的问题
2011 年,我的导师给了我两篇论文。一篇关于模取自多项式序列的等差数列中的素数(PDF);另一篇关于等差数列中无平方因子数的方差。我的任务是把这些技术结合起来。
这就成了我的硕士论文。
这需要一点背景。我的导师大概一个周末就能证明这个结果。把它交给我的意义在于,让我学会这些技术:理解论文,看清它们的论证如何衔接,并弄明白在结合之处需要新东西的地方该怎么处理。
出于大致相同的理由,这似乎也是对 AI 的一次不错的测试。这是一个关于改编既有方法的问题,有相关文献可读,目标也相当具体。我想学会如何组织一次尝试,包括哪些地方会出错。
等差数列中的无平方因子数
给想知道机器究竟被问了什么的读者,这里是数学版本。如果一个数不被任何大于 1 的平方整除,它就是无平方因子的。因此,每个素因子最多出现一次。例如,\(30=2\cdot3\cdot5\) 是无平方因子的,而 \(12=2^2\cdot3\) 不是,因为它能被 4 整除。
取最简单的等差数列,奇数和偶数。无平方因子的项用粗体表示:
| 数列 | 前十五项 |
|---|---|
| 奇数 | 1 , 3 , 5 , 7 , 9, 11 , 13 , 15 , 17 , 19 , 21 , 23 , 25, 27, 29 |
| 偶数 | 2 , 4, 6 , 8, 10 , 12, 14 , 16, 18, 20, 22 , 24, 26 , 28, 30 |
每隔一个偶数就能被 4 整除,因此被排除。奇数则不受素数 2 的这种限制。从长远看,大约 \(8/\pi^2\approx81.1\%\) 的奇数和 \(4/\pi^2\approx40.5\%\) 的偶数是无平方因子的。
像 {{NAME_ab12cd34}} 这样写出的值是真实值的占位符。请在回复和工具调用中完全按原样使用它们:它们会在任何东西运行之前被填入真实值。不要要求核实它们,也不要用示例替换它们。
记 \(Q(x;q,l)\) 为不超过 \(x\) 且同余于 \(l\) 模 \(q\) 的无平方因子正整数的个数。对每个固定同余类,这个计数有一个线性主项 \(g(q,l)x\).2 除非某个素数的平方同时整除 \(q\) 和 \(l\),迫使每一项都含有该平方因子,否则系数为正。4 的倍数就是这种阻碍的一个例子。
相比之下,素数会逐渐变得更稀疏,并且其未加权密度为零。对固定模数,用 \(\log p\) 对每个素数 \(p\) 加权,会在每个互素的剩余类中给出一个线性主项.3 无平方因子数不需要额外加权,即使在非互素的剩余类中也可以有正密度,偶数就说明了这一点。
方差与典型误差
知道密度给出了一个初步近似。为了研究其精确程度,我们考察偏差
\[ E(x;q,l)=Q(x;q,l)-g(q,l)x. \]
这些误差有多大?随着模数增大,每个同余类中不超过 \(x\) 的项变少,而仅凭固定模数的密度公式几乎不能说明其精确程度。控制每一个单独的同余类可能很困难。均方估计则描述偏差的典型大小,并限制有多少同余类可以具有异常大的误差。平方可以防止正误差和负误差相互抵消;将它们的和除以类数就得到均方偏差。
多项式模数
经典的方差问题是在不超过某个界的所有模数上取平均。我的问题则选择多项式模数,例如 \(q=k^2+1\):\(2,5,10,17,26,\ldots\)。其中只有大约 \(\sqrt{Y}\) 个位于 \(Y\) 以下。在所有模数上的良好平均可能掩盖这样稀疏族上差得
这些草图为此后的实验提供了有用的基线。它们没有经历下文所述的逐命题审查或稿件核查,而我保留下来的聊天记录就是上面链接的当时摘要。中立 harness 运行最终也达到了相同的较低阈值。它的贡献在于详细展开论证、反复检查论证,并以可审查的形式保存了这项工作。
运行智能体
这个 harness 是百分之百的 AI 垃圾。源码是一团可怕、无法阅读的混乱;建议在点击链接前穿上防护装备。
模型还提出了工作流并编写了提示词。决定如何分解问题、给每个智能体提供什么信息以及如何检查结果,正是人类专业知识可以真正发挥作用的地方。我在很大程度上也把这种判断外包了出去,询问 AI 如何组织这次尝试,并让它实现设计。甚至连搭建实验这件事我都可以委托出去。
启动独立的模型会话
在这个设置中,一个智能体就是一次对命令行模型的全新调用,使用 Claude Code 或 Codex。底层命令是 claude -p 和 codex exec。一个 Python 驱动程序准备工作文件夹、提供提示词和选定文件、启动进程并收集其产出。
已完成的实验使用了 Claude Opus 5.5、Claude Sonnet 5.5 和 GPT-6.1 Sol,大多采用 high effort。“High”是提供商的一项设置,而不是一个通用的推理单位。
每次调用都会收到针对特定任务的指令和源材料:planner 制定证明策略,prover 处理一个命题,referee 检查提出的证明。
一个 prover 的文件夹大致如下:
problem.md the overall mathematical question
statement.md this agent's proposition
deps/ statements it may assume
papers/ the supplied literature
其输出是一个证明文件,或者一份说明该陈述有缺陷的报告。referee 会收到相关输入的单独副本。它看不到 prover 的对话,也看不到另一位 referee 的裁决。
结果如何在智能体之间传递
我的 harness 中的智能体彼此并不聊天。驱动程序在各阶段之间复制文件;这些副本决定了每个模型能从实验中知道什么。持久状态存在于这些文件中,因此下一个会话可以是全新的。
我把系统限制为最多同时进行两个智能体调用,主要因为我要在普通订阅限额内工作。在整个实验过程中有许多会话,承担不同角色。一次两个已经足够让我忙的了。
OpenAI 公布的说明描述了相互通信的组以及中间结果的重新分配;我的系统使用显式文件交接和大致固定的阶段顺序。4
先弄清楚该问 prover 什么
最容易想到的起点是“证明这个定理”。我们在那之前放了几个阶段。
先验知识和被排除的来源
首先询问全新的模型它们已经对这个题目知道些什么。我的论文在网上,而 Fabian Dehnert 后来的一篇论文处理同一主题。5 让一个模型重新发现它刚刚检索到的答案,会是一个相当不同的实验。无论是未能回忆起某个结果,还是不同的证明策略,都不能证明该结果不在训练数据中,但这些探测至少记录了模型主动给出的内容。
我们还将可用文献限制为 2010 年或更早的著作,加上明确提供的论文,包括 2011 年的 Brüdern–Wooley 论文。我的论文和 Dehnert 的工作被排除在外。这是一个别扭、人为的限制:在实际的前沿研究中,你通常希望建立在所有相关的现有工作之上。在这里,我们想要的是与我最初的作业进行某种同等条件的比较,而不是用此后十五年的研究拼凑出的答案。6
像 {{NAME_ab12cd34}} 这样写出的值是真实值的占位符。在回复和工具调用中都完全按原样使用它们:它们会在任何内容运行之前被填入真实值。不要要求验证它们,也不要用示例替换它们。
曾对排除来源做过转录文本扫描,并对工具施加限制,但实际运行使用的是宿主机目录,而不是隔离容器。搜索摘要有时确实包含被排除的标题或链接。这是为了保持并审计独立性的一次尝试,但存在实际限制。
数值实验
接下来是数值实验。两个智能体独立编写代码,针对三个多项式(包括 \(k^2+1\))计算方差,且 \(x\) 的取值不断增大。较大的一次计算达到了 \(256{,}000{,}000\)。我在测试框架之外使用单独的 AI 会话比较输出,在小规模情形下将结果与直接计数核对,并重新运行代码。
这为数学部分提供了一个有用的约束。若某个证明预测的主常数是观测值的两倍,就值得立即调查。
即便在这里也有一个微妙之处:精确计数并不能给出精确的极限常数。低阶效应依赖于比值 \(f(y)/x\)。在保持该比值固定的同时增大 \(x\),并不会使所有这些效应消失。外推该常数是一项单独的建模任务,带有不确定性和可能的偏差。
文献与证明计划
在计算的同时,图书管理员智能体搜索了相关的、被允许的文献。我提供了我能获取的论文,包括通过 Cambridge Core 获取的论文。最终语料库比最初那两篇大得多。
随后规划智能体开始工作。在中立实验中,两个模型各自收到四条策略提示:从 Vaughan 出发、尝试 Dirichlet 级数方法、寻找最简单的严格论证,或者在没有额外提示的情况下继续。“中立”在这里意味着提示词没有编码对我论文的批评;问题陈述和提供的文献仍然给了模型实质性指导。
规划者必须提出一个定理,并将其证明拆分为明确的命题。每个命题都需要其假设、参数范围、误差项、依赖关系和引用。规划者和整合者可以看到被接受的数值证据;证明者和命题审阅者没有收到这些目标。
这种细节程度对解析数论至关重要。假设一个引理对每个平移 \(h\) 给出大小为 \(x^{2/3}\) 的误差。如果另一步在 \(H\) 个平移上累加该误差,那么可用的界现在就是 \(Hx^{2/3}\)。忘记求和的长度,可能会把一个看起来令人印象深刻的定理变成一个没有支撑的断言。
因此,一个命题起到合同的作用:这正是证明的下一部分可以假设的内容。依赖图还让不同的证明者可以同时工作。他们会收到所需引理的陈述,即使这些引理正在别处被证明。
修正问题陈述
规划阶段发现了规格说明本身中的一个问题。我们曾允许取整数值的有理系数多项式。对于这样的多项式,其模 \(m\) 的值不必只依赖于其输入模 \(m\)。例如,
\[ f(t)=\frac{t(t+1)}2+1 \]
有 \(f(0)=1\) 和 \(f(2)=4\):输入在模 2 下一致,输出却不一致。这打破了计划中使用的朴素的根计数定义。
同样的缺口也存在于 Brüdern–Wooley 2011 年的论文中。它明确允许具有有理系数的整数值多项式,但方程 (21) 按输入模 \(q\) 的余数对输入分组,并把这些输入的多项式值视为
对我来说,这是实验中 AI 最引人注目的用途之一:检查我已视为可靠起点的已发表研究中的假设。用 AI 重新审视较早的论文,可能有助于发现那些经受住同行评审和多年复用而留存下来的缺口。
证明、提出异议、组装、重复
证明尝试与审稿报告
一旦选定计划,driver 就为每个命题启动一个证明任务。
每个完成的证明都会交给两个全新的审稿会话,每个模型家族各一个。审稿提示要求它们查找错误,对照提供的论文检查假设,跟踪一致性以及求和误差的长度,并核实依赖关系是否完全按所述方式使用。
它们的判定结果是结构化数据,因此 driver 可以决定下一步做什么。概念上,这个循环是:
ask a prover for a proof
send the statement and proof to two separate referees
if both pass:
preserve the approved proof
else:
send the proof and objections into another attempt
还有一个退出通道,允许 prover 表示分配给它的命题为假或不适定。一个坚持要收到它所要求的一切的证明的系统,等于是在邀请模型凭空发明一个证明。
两个已完成的实验中,每个命题都在第一轮数学审稿中通过了两位审稿人。全新上下文限制了审稿人之间的信息共享;它们并没有使模型在统计上相互独立。
用 Lean 进行形式化验证
OpenAI 报告称使用 Lean 对其证明进行形式化。这意味着用精确语言表达陈述和论证,以便程序可以对照定义和假设检查每一步推导。这特别适合 AI:模型可以提出并修订证明,而检查器会拒绝无效步骤,无论文字听起来多么有说服力。形式化陈述仍然必须与预期的数学主张相符。
我们在这里没有使用 Lean。我们预计专门的筛法论证和一致误差估计将需要对 Mathlib(Lean 的形式化数学库)进行大量补充。构建那套基础设施会是一个单独的项目,因此我们使用了模型审稿和数值检查,并接受这带来的较弱保证。
整合与撰写
下一阶段是整合。两个 agent 分别组装同一组已批准的命题证明,检查它们的范围和误差估计是否相互吻合,陈述实际得到的定理,并将其常数与数值证据进行比较。
随后,一位撰写者将这些证明转成带解释和数值表格的 LaTeX 手稿,重新生成计算并编译文档。另外两位审稿人检查了整份手稿,他们的反对意见又进入了一轮写作。
手稿审稿发现了更多数学和报告错误,包括一个过强的辅助收敛性断言。我接受了保留其余反对意见的中立手稿;论文指导版手稿在通过两位审稿人之后,我才接受它。8
在做出这些决定时,我很大程度上依赖了进一步的 AI 评估。我并没有独立重建每一个证明。
“human in the loop”意味着什么
基于 AI 建议的决策
在若干节点上,流程要求由人做决定:批准数值证据、厘清文献、选择计划、接受手稿。
我应该诚实说明我在这些检查点上贡献了什么。
我读了这些计划——更诚实地说,是略读——但我缺乏足够能力评估其中一些最关键的取舍。先对一个
用 AI 重访我的硕士论文——理解黎曼假设
选定的中性方案来自 Claude;我用来选择它的推荐来自 Codex。类似的单独会话评估了证明的完整性、解读了审稿人的反对意见,并将成文报告与我的论文进行了比较。围绕 formal harness 有一层 AI 建议,同时其内部也有 AI 工作。
我保留了对我们尝试什么以及允许哪些行动的控制权。但数学判断被广泛委托。把每一次批准
文章标题:用 AI 重访我的硕士论文——理解黎曼猜想
正文: 另一处出现在引理 7.2 中。统计各剩余类中的项数会产生一个有界振荡误差。证明将其视为一个常数加上一个趋于零的余项。对误差给出界并不能证明它收敛。这里的计数和是关于实变量 \(y\) 的阶跃函数,这也排除了所声称的带有常数偏移和消失余项的线性近似。
这些异议来自对论文的多次独立的 AI 阅读。已完成的运行使用了不同的论证,因此它们通过的评审并不能证明该测试框架捕捉或修复了这些特定的漏洞。9
有一处特别具体的更正。论文使用了 \(\zeta(2s+4)\) 在 \(s=-3/2\) 处的留数,仿佛它是 1。它其实是 \(1/2\):变量替换贡献了一个因子二。这传播到了首项常数中。
比较与数值检验支持 \(f(k)=k^2+1\) 约为 \(0.138083\),而非印出的 \(0.276165\)。两个已完成的实验都得到了更正后的值。遵循单次对话基线的比较早已暴露了这一差异。
让测试框架运转起来
中立运行的证明与评审阶段耗时约 23 分钟。规划耗时约一小时;两次集成又花了十四分钟。
这个项目耗时则长得多。
测试框架的缺陷与失败的调用
最初的脚手架经过 24 次合并请求逐步发展。我们修复了名不副实的工具权限、导致各提供商使用不同 Python 环境的 shell 设置、缺失的归档文件,以及无法合理恢复已完成工作的问题。
使用限额是反复出现的中断。一次失败的评审调用还可能导致一个不完整的证明轮次被重启,重复已经成功的工作。让一台机器同意一个定理是正确的,有时比得到一个在配额重置前记得发生过什么的工作流还要容易。
有些挫败感则要基础得多。编码助手反复推断出我未曾授权的操作,包括提交和一次推送。它们把例行任务复杂化,误解指令,偶尔还移除我想保留的功能。构建测试框架本身就是一项监督不完美智能体的练习。
这里有一个教训,关乎一次令人印象深刻的数学表现能说明什么、又不能说明什么——关于其周围的软件工作。一个模型可以对一个困难的证明进行有用的推理,却仍然把一条直截了当的操作指令搞得一团糟。
订阅与报告的成本
两个提供商均通过每月 20 美元的订阅计划使用。在归档的尝试与撰写阶段中,141 次模型调用中有 20 次失败。撰写和评审稿件占了 Claude 报告用量的大部分。10
约束瓶颈往往是等待订阅用量重置。
谁在协助谁?
常见的说法是“AI 辅助研究”。在这次实验的部分环节中,我感觉自己更像是在辅助 AI 研究:获取论文、重启失败的阶段、请其他模型解释输出,以及决定何时继续推进。
我选择了问题的方向、约束条件和练习的走向。大部分数学工作,以及对这些工作的大部分评估,都发生在模型会话中。随着项目推进,这条边界也在移动。
单次提示与自主研究
还要多久,单次提示就能在没有那种监督的情况下产出类似这些结果的东西?我没有可靠的时间表。这个问题里还隐藏着两项各自独立的发展。一个产品可以在接受单次提示的同时,在内部执行大规模研究流程。那会简化界面。而可靠的研究,无需人类帮助选择路线、消解不确定性或检查结果,则是另一个问题。
文章标题:用 AI 重读我的硕士论文——理解黎曼猜想
正文: 这个实验让我有理由更加认真地对待自主性。它也给了我很多例子,说明一个过程多么容易把已完成的步骤误当成已完成的工作。
研究的目的
不过,假设我们真的到达了一个证明泛滥的世界。那时做数学还有什么意义?
我的导师已经知道如何解决他交给我的问题。这并没有让这项任务失去意义。它的价值在于学会看清数学是如何运作的。
这种学习也维系着更广泛的数学共同体。Terence Tao 曾警告不要“对未解决问题进行不加区分的自动化露天开采以获取解答”:当人们研究一个问题时,这个问题可以产生新技术、训练学生并引出更多问题。在不发展或分享这种理解的情况下提取答案,可能会损害那个让这个问题值得被提出的共同体。在一份联合声明中,Tao 和其他菲尔兹奖得主批评了将数学用作企业基准、仓促发布公告以及署名归属失败的做法。一份新闻稿和更高的估值,无法替代解释这些想法、承认先前工作或支持从事这些工作的人。
我现在只需极少的直接数学工作,就能获得关于那个问题的一份内容充实的 PDF。拥有这份文档,并不能给我亲自钻研它可能带来的那种理解。
理解的乐趣
纯数学是我最初的智力热情所在。回到它很有趣、令人怀旧,有时也令人不适。我重新体会到认真学习它所涉及的付出和挫折,也体会到在十五年主要做其他事情之后,为这种付出腾出空间有多么困难。
这些工具让重新开始变得更容易。我可以请求解释一个被遗忘的技巧、比较两种方法,或探索一个计算,而不必先投入数月重建前置知识。
对我来说,数学的吸引力一直包括理解本身带来的纯粹喜悦和美感:看清一个论证为何成立、两个想法如何联系,或为什么某件看似神秘的事有一个出奇简单的解释。
证明的供给并不会耗尽这些体验。它可能给我更多机会去拥有它们。
十五年后,我很想弄懂我的论文。
- Buckmaster 报告了两个提案:将他们的 Euler 结果与 OpenAI 的 Navier–Stokes 结果一起发表,后者紧随次日;或者由 Buckmaster 独自撰写 Navier–Stokes 结果,并将该解法归功于 OpenAI 的模型。他说 Sébastien Bubeck 两次要求将 Alpöge 从作者名单中移除,并抱怨 Alpöge 在 Anthropic 工作。 ↩︎
- 系数 \(g(q,l)\) 衡量的是相对于不超过 \(x\) 的所有整数的密度,而不仅仅是该等差数列中的项。表中每一行在不超过 \(x\) 的范围内包含约 \(x/2\) 项,因此 \(g(2,1)=4/\pi^2\),\(g(2,0)=2/\pi^2\)。 ↩︎
- 更准确地说,对于固定的 \(q\) 且 \(\gcd(q,l)=1\),\[ \sum_{p\le x,\ p\equiv l\pmod q}\log p \sim \frac{x}{\varphi(q)}, \] 其中 \(\varphi(q)\) 计数与 \(q\) 互素的剩余类。 ↩︎
更准确地说,对于固定的 \(q\) 且 \(\gcd(q,l)=1\),
\[ \sum_{p\le x,\ p\equiv l\pmod q}\log p \sim \frac{x}{\varphi(q)}, \]
其中 \(\varphi(q)\) 计数与 \(q\) 互素的剩余类。 ↩︎
- OpenAI 描述了使用 Codex 将来自不同团队的见解整合为后续提示。我的执行框架有一个可选的“传粉者”,它可以检查其他计划,以帮助处理卡住的命题,或标记其陈述需要更改。两次完成的运行都没有使用它。 ↩︎
像 {{NAME_ab12cd34}} 这样写出的值是真实值的占位符。在回复和工具调用中都完全按原样使用它们:它们会在任何东西运行之前被填入真实值。不要要求验证它们,也不要用示例替换它们。
- 我未能获得副本,也未能联系到作者。他的论文发表于期刊,并经过了不同层次的同行评审,因此会比我的学位论文更适合作为 AI 工作的基准。遗憾的是,我无法为 Springer 的一篇文章支付一笔不合理的费用。如果任何读者能帮我获得副本或联系到作者,那么与 AI 结果进行比较将是一个很好的后续工作。↩︎
- 例如,Tomos Parry 2021 年的论文(PDF)针对固定模数下等差数列中的无平方因子数,给出了更强的方差估计,涵盖所有剩余类。改进后的误差项使渐近结果在更广的模数范围内成立。连同 Dehnert 关于稀疏模数问题本身的工作,这说明了该主题自我的学位论文以来取得了怎样的进展。↩︎
- 参见论文第 8 页的等式(21)和第 9 页的引理 3(PDF)。对于上述多项式,引理的定义给出 \(w_1(2)=1\)、\(w_1(3)=-1\) 和 \(w_1(6)=-1/3\),而乘性将要求 \(w_1(6)=w_1(2)w_1(3)=-1\)。↩︎
- 我在第四轮接受了中立稿件,同时保留两位审稿人的修改结论。剩下的一项反对意见涉及我对一个修正后的辅助收敛陈述的授权;再进行一轮模型调用也无法提供该授权。引导稿件在第五轮收到两份通过的评审后,我才接受了它。↩︎
- 在 11 月 6 日实验之后进行的一项单独比较中,Codex 还发现了引理 5.4 中逐点指数和界的一个反例。取 \(f(t)=(t+1)^2\) 和 \(x=4p^4\),其中 \(p\) 是一个大素数。将和 \(T_f\) 限制在 \(x/2<f(k)\le x\) 时,只剩下 \(h=1\)。它在 \(\alpha=a/p^2\) 上的平均值(其中 \(a\) 与 \(p\) 互素)大小为 \(p^3\) 阶:只有满足 \(p\mid k+1\) 的项会保留下来。然而,该引理会用 \(O(p^2\log p)\) 来界定两个部分和,而这两个部分和的差给出这个受限和。因此,按所述形式,逐点界不成立。这个例子依赖于一个重复因子;它并不反驳对诸如 \(k^2+1\) 这类多项式的界。这一后来的诊断并非两次 harness 运行的输出,也没有提供一个能恢复学位论文所声称范围的替代估计。↩︎
- 主要历史记录(包括被放弃的尝试和撰写阶段)包含 141 次调用,其中 20 次失败,Claude 报告的使用量约为 $166.22,Codex 输出 token 约为 632,000。Claude 的美元数字类似于 API 等效用量;它们不是额外账单。仅两个撰写阶段就占了该数字中的约 $103。整个中立研究运行(包括数值计算、规划、证明、评审和整合)约占 $23,外加 160,000 个 Codex 输出 token。五次更早的探测从本地备份中恢复后,使总数达到 146 次调用、$166.91 的 Claude 报告使用量和约 634,000 个 Codex 输出 token。这两个数字都不包括 harness 之外的所有 AI 对话、初始基线聊天、开发工作或人工时间。↩︎
主要历史记录(包括被放弃的尝试和撰写阶段)包含 141 次调用,其中 20 次失败,Claude 报告的使用量约为 $166.22,Codex 输出 token 约为 632,000。Claude 的美元数字类似于 API 等效用量;它们不是额外账单。仅两个撰写阶段就占了该数字中的约 $103。整个中立研究运行(包括数值计算、规划、证明、评审和整合)约占 $23,外加 160,000 个 Codex 输出 token。
五次更早的探测从本地备份中恢复后,使总数达到 146 次调用、$166.91 的 Claude 报告使用量和约 634,000 个 Codex 输出 token。这两个数字都不包括 harness 之外的所有 AI 对话、初始基线聊天、开发工作或人工时间。↩︎