事件与背景

2026 年 7 月 18 日至 19 日，HackerNews 上两个高度相关的故事同时引爆讨论，共同指向一个信号：前沿 LLM 正在跨越从”语言模型”到”科学推理引擎”的门槛。

事件一：GPT-5.6 Sol Pro 解决 30 年凸优化理论缺口

一位数学研究者利用 GPT-5.6 Sol Pro（OpenAI 当前旗舰推理模型），通过一份精心设计的 10 页提示词，在 148 分钟的计算时间内，生成了一个关于凸优化复杂度的下界证明——填补了该领域一个悬置约 30 年的理论缺口。该研究者此前已用 GPT-5.4 和 GPT-5.5 探索该问题长达一年，最终将积累的领域知识、失败路径和可行方向全部编码进提示词，交给 Sol Pro 进行最终推理冲刺。

相关讨论在 HackerNews 上获得 529 分、342 条评论，迅速成为当日最热 AI 话题。

事件二：Claude Fable 5 在 NP-Hard 工程优化上碾压对手

同日，独立研究员 Charles Azam 发布了一份详尽的基准测试：将 Claude Fable 5（Anthropic 最新旗舰）、GPT-5.6 Sol、Opus 4.8、Sonnet 5 等模型放在同一个 未公开的 NP-Hard 光纤网络设计问题（KIRO） 上，给每个模型 30 分钟无提示优化。结果：Fable 5 在所有模型中表现最佳，其最优解显著优于 GPT-5.6 Sol。文章还深度剖析了两大平台（Claude Code 与 OpenAI Codex）的 /goal 模式底层机制差异——Claude Code 使用独立评估器检测完成度，而 Codex 将目标作为持久化状态并提供生命周期工具。

来源列表（均已验证可访问）：

• HN: GPT-5.6 used a prompt to close a 30-year gap in convex optimization — 529 分、342 条评论
• HN: Fable 5 vs. GPT-5.6 Sol on an NP-Hard Problem — 227 分、109 条评论
• Charles Azam: Fable 5 vs. GPT-5.6 Sol on an NP-Hard Problem — 完整基准测试与源码分析（已验证 200 OK）
• HN: GPT-5.6 Sol Pro solves open problem in convex optimization (Medium) — 原始公告的 HN 讨论页

为什么现在重要

1. LLM 首次在数学理论层面做出可信的原创贡献

这并非简单的代码生成或已知知识的复述。凸优化复杂度下界是一个未被解决的理论问题，需要构造性证明。GPT-5.6 产出的不是答案，而是一个完整的论证链条。尽管提示词包含了人类研究者一年的探索成果，但模型本身承担了”将分散思路整合为严格证明”的核心智力劳动。这是 LLM 从”工具”走向”合作者”的里程碑式例证。

2. NP-Hard 优化能力意味着工程落地不再是纸上谈兵

Fable 5 在光纤网络布局这样的真实工程问题上的表现，直接触及了 LLM 的商业价值核心。NP-Hard 问题是供应链调度、芯片布线、物流规划等行业的日常。如果一个模型能在无人为干预的 30 分钟内找到比大多数人类工程师更好的解，这不再是”有趣的研究”，而是生产级工具的雏形。

3. /goal 机制对比揭示了 Agent 架构的分水岭

Claude Code 与 OpenAI Codex 对 /goal 的实现方式截然不同：Claude 使用独立评估器做外部判断，Codex 让工作模型自我声明完成。这表面是工程细节，实则是 Agent 架构哲学的分歧——是信任模型”自省”，还是部署独立验证器？这一讨论将深刻影响未来 Agent 框架的设计方向。

4. 提示词工程正在进化成”研究辅助协议”

该案例中，研究者将一年探索浓缩为 10 页提示词，交给模型执行最终证明。这与传统的 prompt engineering 有本质区别：这不是”写一段好的指令”，而是将人类研究者的推理框架结构化为模型可执行的上下文。提示词不再只是”问问题”，而是变成了”加载研究情境”。这预示着一个新角色——AI 研究提示工程师——的诞生。

5. 双寡头格局更加清晰，但方向不同

OpenAI 的 GPT-5.6 在理论数学上领先，Anthropic 的 Fable 5 在工程优化上占优。两者在推理能力上均已达到”可用”级别，但侧重点分化明显。对开发者而言，选择模型不再只看综合分数，而是看任务类型：数学/逻辑推演选 OpenAI，工程/优化选 Anthropic。

工程师/产品人今天能做什么

1. 拿一个你团队正在处理的真实优化问题测试 Fable 5 — 比如任务调度、资源分配、参数调优。给出清晰的问题定义和约束，让模型跑 30 分钟，比较它与当前人工方案的质量。不要只测试代码生成——测试它的工程决策能力。

2. 尝试将你的研究或分析过程”提示词序列化” — 下一个你遇到的需要多步推理的问题，试着把你已有的探索过程、失败假设和领域知识编写成结构化提示词（3-10 页），交给 GPT-5.6 Sol Pro 或 Fable 5 做推理冲刺。重点观察：模型能否从你的中间结果出发做出有意义的推进。

3. 评估团队内引入 Agent 式 /goal 工作流的可行性 — Claude Code 和 Codex 都提供了持续的、可监督的目标驱动模式。如果你的开发流程涉及长周期重构、复杂问题诊断或多步骤任务，/goal 机制可能比单次 Prompt 更有效。本周选一个 Issue 用 /goal 模式试试。

4. 开始追踪 LLM 在数学/工程任务上的能力边界变化 — 过去一个月内，我们见证了两个独立的推理突破。建议建立内部”AI 能力追踪表”，每月用 3-5 个领域内硬问题测试前沿模型，了解实际能力上限，而不是依赖公关宣传。

5. 关注 OWASP Agentic Security 风险 — 随着 Agent 执行能力增强（/goal、多步规划、工具调用），安全风险也在指数级增长。如果你的团队正在构建 Agent 系统，本周至少做一次针对 prompt injection 和权限逃逸的安全审计。

待观察

• 同行评审尚未完成 — 凸优化证明的严格性有待同行验证。数学界对”LLM 生成的证明”的接受度将是一个重要风向标。若被接受，将开启”AI 辅助数学发现”的新范式；若被拒，说明模型在严谨性上仍有根本缺陷。
• Fable 5 与 GPT-5.6 Ultra 的正面比较尚未出现 — 当前的测试使用的是 GPT-5.6 Sol（Pro 级别），而 Ultra 级别被描述为”多智能体系统”。Ultra 在同等任务上的表现可能显著不同。
• 10 页提示词的”人工含量”存在争议 — 有评论指出，研究者的一年探索至关重要，模型更像是执行了”高度结构化的研究助理”角色，而非独立发现者。这引发了一个深层问题：当提示词包含大量人类智慧时，成果归功于模型还是人类？