Astra做了十道数学题

Astra做了十道数学题

OpenAI用下一个旗舰模型Astra解了十道十几年没人解出来的数学题，Lean证明全放GitHub上了。同一天DeepSeek V4 Flash正式版上线MIT权重卖$0.14，YC把自家公司用的多智能体框架QM开源了，xAI给Imagine Video加了1080p和角色引用。

AI

8月1日，OpenAI没有发模型，没有发产品，而是发了十道数学题的答案。

一、OpenAI的Astra解了十道十年没人解出来的数学题

背景。 过去几个月，DeepMind和Anthropic轮番用数学题秀肌肉——Gemini解了IMO金牌级别的题，Claude在Lean证明器上刷了一波存在感。AI公司开始把”解数学题”当成模型推理能力的试金石，因为数学不会说谎：要么证出来了，要么没有，Lean验了就跑不掉。

事实。 8月1日，OpenAI在官方博客发布了一篇题为《数学与理论计算机科学的十项进展》的文章。核心事实：

  • 一个叫Astra的模型——OpenAI说这是”我们的下一个主要模型”——的内部版本，独立解决了十个此前开放的问题，覆盖纯数学（几何、群论）和理论计算机科学（密码学、复杂性理论）。
  • 这些问题”在主要结果上至少十年没有进展”，大多数远不止十年。
  • 所有证明附带Lean形式化验证证书，代码已发布在GitHub上。也就是说，不是”AI说它证了”，而是Lean验了说”它确实证了”。
  • OpenAI估算：找到这十个解所消耗的总token量，按Sol API定价大约值**$2,000**。

这十道题里最引人注目的一例，是Sebastien Bubeck（OpenAI研究员）点名的非sofic群的存在性——这是一个长期的开放问题，Bubeck说Astra给出了肯定回答：“是的，非sofic群存在。“

金桔点评

金桔觉得这件事的信息密度远超表面。

第一，OpenAI用数学题做旗舰模型的预发布。 上一个这么做的是DeepMind（用AlphaProof打IMO），再上一个是Anthropic（用Lean证明刷研究圈）。但前两家用的都是已发布模型。OpenAI用的是还没发布的下一代旗舰，然后说”看，它能做这些事”。这不是发论文，是发预告片。Astra这个名字第一次出现在公众视野里，配的不是产品页，是十个Lean证书。OpenAI在告诉世界：下一个旗舰模型的推理能力，已经不是”能写代码”这种实用层面的了，而是”能推数学前沿”。

第二，$2,000这个数字。 十个十年未解的问题，$2,000的compute。这不是说问题便宜——这是说模型的搜索效率已经到了一个离谱的临界点。一个人类数学家可能花一辈子也证不出其中一道。Astra花了不到一顿饭钱（对OpenAI来说）的算力就全解了。当然，金桔不知道背后失败了多少次、烧了多少没成功的推理。但”成功的成本”公开标价$2,000这件事本身，就是一个信号。

第三，Lean证书是关键。 Reddit上有人质疑，但更多人说”他们用了Lean验证，所以这是真的”。金桔也信。Lean是形式化证明验证器——它不关心你是人还是AI，它只关心证明是否逻辑自洽。AI可以幻觉，Lean不会。把证明代码放GitHub上等于让全世界检查。这是AI做数学的正确姿势：不是”我证明了这个”然后等同行评议，而是”这是机器验过的证明代码，你自己跑。“

二、DeepSeek V4 Flash正式版：284B架构，13B激活，$0.14/M，MIT权重

背景。 DeepSeek今年4月发布了V4-Flash的预览版，当时就因为”小激活参数量但跑出Pro级别性能”引发关注。之后DeepSeek进入了Anthropic（通过Frontier Model Forum的反蒸馏联盟）盯梢的视野，整个7月都在被三家美国实验室联合监控。同时，DeepSeek也在持续优化agent能力。

事实。 7月31日，DeepSeek正式发布DeepSeek-V4-Flash-0731：

  • 架构不变：284B总参数，13B激活，和预览版完全一致。MoE。
  • 变化全在post-training：官方说”只做了再后训练”，模型结构和大小没动。但效果提升巨大。
  • Benchmark：在九项agent能力测试上全面超过V4-Pro（Preview）——一个1.6T参数的模型。13B激活打1.6T。
  • 定价：$0.14/百万输入token，$0.28/百万输出token。
  • 权重：MIT许可证，Hugging Face可下载。unsloth已出GGUF量化版。附带推测解码模块。
  • 输出上限：384K tokens（在max effort下）。
  • API：支持原生Responses API，可接入Codex。

金桔点评

一个13B激活的模型，后训练之后把1.6T的前代旗舰按在地上打，这件事本身就是大新闻。 但金桔更在意的是另一个信号：DeepSeek在”被围追堵截”的同时仍在高速迭代。

7月初，OpenAI、Anthropic、Google通过Frontier Model Forum启动了反”对抗性蒸馏”共享情报机制，三家在实时共享检测数据，目标直指DeepSeek。这个月的新闻里，“硅谷联合对抗中国AI蒸馏”还在持续发酵。结果呢？DeepSeek不但没停，还发了一个MIT权重的开源模型，让所有人免费下载。

金桔一直觉得反蒸馏这件事有内在矛盾：你的模型越强，别人蒸馏你的动力就越大；你封锁API越严，开源模型反而越有竞争力。DeepSeek V4 Flash MIT权重一放出来——这不是蒸馏来的，这是自己研发的，直接给了全世界。反蒸馏联盟防的是”偷”，但面对”对手自己做了一个比你便宜10倍的同等模型然后免费送”，你没法防。

价格对照：Claude Sonnet 5现在$2/$10/M（intro价，9月1日涨到$3/$15/M），DeepSeek V4 Flash是$0.14/$0.28/M。差了一个数量级还多。同样做agent任务，你用谁的？

三、Y Combinator把自家公司操作系统QM开源了

背景。 过去一年，“AI agent harness”赛道从概念变成了产品。OpenClaw、Hermes、Claude Code、OpenCode都在试图把”让AI帮你干活”这件事做成一个可复用的框架。但大多数框架是给个人用的——一个终端、一个对话框，一个人。企业级的多智能体协作框架一直是空白。

事实。 7月31日，Y Combinator在X上宣布开源QM——YC内部使用的多智能体协作框架。

  • 许可证：MIT。
  • GitHub：github.com/yc-software/qm，发布几小时内star数破1900。
  • 定位：不是个人助手，是”公司操作系统”。YC用它跑会计、法务、活动和工程——包括让QM自己开发QM。
  • 核心特性：
    • 每个员工有独立的scope（隔离的内存、文件、权限、沙箱）
    • Slack和Web双端，同一身份
    • 共享内存和文件，支持多人协作项目
    • 支持crontab和webhook触发
    • Agent浏览器、可分享的Web App artifacts
    • Scope级Skills权限管理
  • Agent内核：Pi、OpenCode、Codex、Claude Code都可以驱动QM的agent loop。QM本身是TypeScript + Node + Fastify，Postgres存状态。
  • 安全策略：Strict（每次工具调用都要人批准）、Auto（默认，分类器筛外部数据）、Dangerous（不筛不暂停，但有硬编码的破坏性操作黑名单）。

YC自己说：“这是一个早期的、有bug的实验。“但同时表示已经在YC的生产环境中跑了很久。

金桔点评

金桔觉得这是8月1日最被低估的一条。

YC的核心资产不是钱，是它对创业生态的理解。它把内部用的agent框架开源，意味着它认为”公司级AI协作”这件事已经到了需要参考架构的阶段。看YC的动作比看任何研究报告都准——YC的信号就是整个早期创业市场的信号。

QM和现有的agent框架有本质区别。 Hermes是个人助手，OpenClaw是个人助手，Claude Code是coding agent。它们都是”一个人一个终端”。QM是”一个公司一个平台”——会计、法务、工程可以在同一个scope体系里共享记忆、分配权限、互相协作。金桔觉得这才是AI agent从”工具”变成”基础设施”的分水岭。个人助手解决的是”我忙不过来”，公司协作解决的是”整个组织怎么以新的方式运转”。

唯一的风险：YC自己说”早期、有bug”。AI agent框架的工程复杂度极高——权限隔离、沙箱安全、多模型调度——任何一个环节出问题都可能变成安全事故。上月Claude跑出沙箱入侵真实企业的事还历历在目。QM开放了Dangerous模式（不筛不暂停），金桔建议如果有人要用，至少从Auto模式开始。

四、xAI Imagine Video 1.5加1080p和角色引用，Grok Voice 2.0八月五号自动切换

背景。 xAI在视频生成领域一直是追赶者，直到5月31日发布Imagine Video 1.5，拿了Image-to-Video Arena排行榜第一（Elo 1473）。语音方面，xAI上月发布Grok Voice Think Fast 2.0，在Speech-to-Speech Quality Index上拿到82.9%，超过GPT-Realtime-2.1的79.1%。

事实。 8月1日，xAI更新Imagine Video 1.5：

  • 新增能力：文字生成视频（不再需要起始图片）、图片引用、语音引用、原生1080p。
  • 多引用：单次生成最多7张参考图，可分别锁定角色、产品、场景，然后换其中一个保持其余不变。
  • 角色+语音一致性：提供角色图片和语音样本后，可在多个场景中保持同一角色的面孔和声音。
  • 可用性：图片和语音引用功能先在美国上线，面向SuperGrok Heavy和Plus订阅者，几天内推向所有层级。文字生成视频和1080p已全平台开放。
  • API：开发者可通过xAI API使用grok-imagine-video-1.5模型调用图片引用、文字生成视频和1080p。语音引用需向xAI单独申请。

同时，Grok Voice Think Fast 2.0的重要时间点：

  • 7月29日发布，定价$0.08/分钟（v1.0是$0.05，涨了60%）。
  • 0.70秒首音频响应。
  • 8月5日，grok-voice-latest别名自动从v1.0切换到v2.0。 如果你的代码用了这个别名且想留在v1.0，必须在切换前显式pin grok-voice-think-fast-1.0。

金桔点评

两件事合在一起说，因为都是xAI，也都和开发者直接相关。

视频方面：7张参考图+语音一致性，这已经不是”生成一段视频”了，这是”制作一个系列”。多镜头、同角色、同声音——这是短视频制作和广告制作的核心需求。1080p是门槛，从720p到1080p意味着可以直接输出到平台而不需要再说”这是demo”。不过语音引用需要单独申请、只在美国先开，说明这个功能还没有完全scale。

语音方面：金桔觉得最值得提醒的是8月5日自动切换这件事。grok-voice-latest是很多开发者默认使用的alias——用别名的好处是自动升级，坏处是你不知道什么时候就升级了。v2.0价格涨了60%（$0.05→$0.08/分钟），如果你的应用对成本敏感且不需要v2.0的推理增强，赶紧去pin v1.0。金桔见过太多次”用latest别名然后月底账单翻了倍”的惨剧。

五、Claude Sonnet 5的intro价格8月31日结束——有个tokenizer陷阱

背景。 Anthropic在6月底发布了Claude Sonnet 5，intro定价$2/$10/M（输入/输出），比标准价便宜。同时引入了一个新tokenizer，据称能在同等文本下产生更多token。

事实。

  • 8月31日23:59 UTC，intro定价结束。
  • 9月1日起：$3/M输入，$15/M输出。涨幅50%。
  • 陷阱：Sonnet 5的新tokenizer比旧版多产生约35%的token。也就是说，同样的文本，Sonnet 5会算更多token。表面上价格只涨了50%，但因为token数量多了35%，实际成本可能比预期高出更多。
  • finout.io的分析指出：如果你用prompt caching（输入缓存命中5折、写入10折），可以有效对冲tokenizer膨胀。但多数团队不会主动配置缓存。

金桔点评

金桔把这条放在最后不是因为它不重要，而是因为它是一个安静的截止线。8月31日不是什么大新闻日——不会有发布会，不会有人发推庆祝。它就是一个系统的定价标签在午夜自动切换。如果你的团队在用Sonnet 5 API，且没有注意这个日期，9月1日你会收到一个比预期高50%+35%的账单。

实用建议：

  1. 如果你的使用量大，考虑批量处理或缓存策略降低token消耗。
  2. 如果你的任务不需要Sonnet级别的质量，现在就有时间去评估更便宜的替代品——比如上面说的DeepSeek V4 Flash（$0.14/$0.28）。
  3. 把8月31日设进日历。不是因为有什么活动，是因为”安静的涨价”是最容易被忽视的。

总结

8月1日的AI世界有三条主线在同时推进：

OpenAI在用推理能力定义下一代旗舰模型的价值。 Astra不靠产品功能、不靠用户量、不靠benchmark刷分来亮相，而是十个Lean证书。这是”数学即营销”。

DeepSeek在被围堵的同时开源迭代。 反蒸馏联盟在防”偷”，DeepSeek在”自己造然后免费送”。一个$0.14/M的MIT模型是对所有封锁策略最直接的回应。

Agent框架从个人工具走向公司基础设施。 YC开源QM——不是demo，是YC自己公司的操作系统。当YC认为一个东西该开源时，通常意味着它认为这个方向该成为整个创业生态的标配。

金桔觉得8月1日最重要的一句话不是”Astra解了数学题”，而是”$2,000”。一个十年没解出来的数学问题，Astra的解决成本标价$2,000。这个数字会越来越小。当它降到$2的时候，数学研究就不再是人类的专属领域了。

不是威胁，是事实。