1000个智能体30小时拿下费马大定理

一、发生了什么

1.1 一场30小时的数学工程

当地时间11月9日，Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2。同步披露的还有一项更引人注目的演示：1000 个这款模型的智能体并行工作，用 30 小时完成费马大定理的形式化验证；官方参照是，此前同类工作大约需要 11 天。换句话说，日历时间被压缩了一个数量级，方式不是把单个模型变快，而是把一千个模型同时扔进同一个任务里。

先把一件事说清楚：费马大定理早在 1994 年就已被英国数学家 Andrew Wiles（安德鲁·怀尔斯）证明。这次演示做的是另一件事——把已有证明转写成 Lean 形式化语言中的代码，由机器逐行验证其逻辑严密性。这不是「AI 首次证明费马大定理」，而是「AI 以形式化方式复现这一证明」，前者是错误表述，后者才是事实。

1.2 两个名字，一个底座

Fable 5.2 与 Mythos 5.2 共享同一底层模型，差别在安全限制与访问权限：Fable 面向广泛用户，是常规商用旗舰；Mythos 采取审核制，只向网络安全、生命科学等特定机构开放。Anthropic 把一个模型拆成两个出口，本质是把「能力」和「权限」解耦，风险敞口分级管理。明确做到产品命名层面的，这款模型算是走得比较靠前的一个。

1.3 数字之外还有一条产品线

除了数学演示，这次发布还有一组常规基准：FrontierCode 2.0 复杂编程基准上，新模型拿到 49.1%，高于 GPT-6 Astra 的 42.8% 和 Gemini 4 Carbon 的 41.1%；机器人控制基准 RoboDojo Sim 从上一代的 27.6% 跃升至 64.9%；输出速度最高提升 30%；输入/输出定价为每百万 token 8/40 美元，均下降 20%。另一口径的演示：千级智能体用 8 天从零构建出可启动的操作系统。这些数字摆在一起，这款模型这次发布的主旋律很清晰——单点能力在涨，Anthropic 真正想讲的是「编排」。

二、关键数字怎么读

2.1 49.1%：编程基准的含金量

FrontierCode 2.0 上的 49.1% 首先是一个相对数：比 GPT-6 Astra 高 6.3 个百分点，比 Gemini 4 Carbon 高 8 个百分点。在头部模型咬得极紧的当下，这不算碾压，但足以支撑它在复杂编程上最强的叙事。更值得注意的是价格：能力领先的同时定价下降 20%，单位智能的成本在双速下探——这是推断，但方向基本没有悬念。

2.2 30小时对11天：账要算两遍

11 天约等于 264 小时，30 小时完成同样的形式化验证，表面上是接近 9 倍的提速。但这笔账还有第二层：264 小时是「串行时间」，而 Claude 的 30 小时背后站着 1000 个智能体，粗略折算是 30000 个「智能体·小时」的投入。这不是省时间，而是用并发算力换日历时间。

2.3 18小时与26%：上一代的天花板

参照系里还有一个容易被忽略的数字：上一代 Claude Opus 5.5 跑同类形式化任务，18 小时只完成 26%。它标出了单模型长任务的能力边界：单线程推进时，错误恢复和上下文管理会成为瓶颈。26% 对 100%，比任何跑分都更直观地说明了为什么需要 1000 个智能体。

2.4 64.9%：被低估的一条线

RoboDojo Sim 从 27.6% 到 64.9%，涨幅超过一倍。机器人控制容错率低、物理反馈慢，基准翻倍说明模型在长程规划与实时纠错上有实质进步。这是推断：如果这条线持续走高，它的战场就不止于代码和数学，还会向具身智能的软件层延伸。

三、技术与产品细节

3.1 千级智能体到底怎么协作

官方没有完整公开编排细节，但从「30 小时完成、失败可回滚」反推，这套系统至少要解决四个问题：任务切分——把数百页证明的形式化工作拆成可独立处理的引理与步骤；状态同步——千个智能体对同一份证明库的读写不能互相踩踏；失败回滚——某个智能体卡死或出错时，系统回退到最近的验证通过点，而不是全部重来；验收仲裁——每一小块必须通过 Lean 的机器验证，这是天然的客观验收标准。

这意味着什么？形式化验证给了多智能体系统一个罕见的「硬验收」场景——对错由编译器说了算。一旦这款模型的编排框架被验证，它可以平移到任何有客观验收标准的领域，比如带测试套件的软件工程。这是推断，但逻辑链很短。

3.2 与上一代差在哪

对比 Claude Opus 5.5，Fable 5.2 的进步有三处：长任务的持续产出能力，26% 到完成是质变；输出速度最高提升 30%，直接改善交互体验和单任务成本；RoboDojo Sim 27.6% 到 64.9% 的跨越，说明同一底座在非文本任务上也有迁移收益。再看价格，输入输出均降 20%——新旗舰发布的同时旧能力降价，对竞品是双重挤压。

3.3 8天造出一个操作系统

另一条演示线索：千级智能体用 8 天从零构建出可启动的操作系统。「可启动」不等于「可用」，操作系统的工程量大头在驱动、兼容性和长尾修复，而非第一行能跑起来的代码。但作为编排能力的压力测试，两个演示指向同一种能力：任务只要能切分、能验收、能回滚，千级智能体就啃得动。

3.4 Mythos 的克制

Claude Mythos 5.2 的审核制值得单独一说：只向网络安全、生命科学等特定机构开放，说明 Anthropic 判断这个等级的能力是双刃剑。把最锋利的版本锁在审核制后面，是明确的策略表态——能力上限和开放范围不再绑定，这也为「前沿模型该怎样分级开放」提供了参照。

四、为什么是现在

4.1 编排成本的拐点

多智能体编排不是新概念，卡住它的是边际成本：跑一千个智能体，token 费用和协调开销曾让大多数尝试停留在论文阶段。这次发布的意义在这里：输出速度提升 30%、定价下降 20%，叠加起来，跑同样规模编排的成本明显下移。边际成本降到阈值以下，「1000 个智能体干一件事」就从实验变成工程选项。这是推断，但方向可以从定价读出来：厂商不会无缘无故降价 20%。

4.2 竞争的贴身肉搏

GPT-6 Astra 的 42.8% 和 Gemini 4 Carbon 的 41.1% 摆在那里，头部差距只有几个百分点，任何一次版本迭代都可能反超。Anthropic 在这个节点同时亮出「跑分领先+数学演示+降价」三张牌，是典型的攻势定价：用基准差距撑住它的溢价预期，再用降价锁住开发者的迁移惯性。OpenAI 和 Google 的回应不会等太久。

4.3 形式化数学的窗口期

形式化验证社区的工具链和证明库，恰好为 AI 提供了现成的「训练场」和「验收器」。数学证明、代码生成、机器人控制同时出现在发布信息里，说明 Claude 的评估体系在向「可机器验收的任务」集中。这个选型是产业信号：谁先把编排能力塞进有客观验收标准的领域，谁就先拿到可复制的工程范式。

五、谁最受影响

5.1 开发者：任务形态会变

对写代码的人来说，49.1% 的复杂编程成绩叠加 20% 降价，最直接的影响是「敢把更大的任务整个交给它」。过去开发者把 AI 当补全工具，逐段喂入；当多智能体编排被证明可以并行推进、失败回滚，开发者的角色会进一步从「操作 AI」转向「定义任务和验收标准」。这不意味着岗位消失，但工作流的颗粒度会变粗。

5.2 企业：成本曲线的下移

输入 8 美元、输出 40 美元每百万 token，均降 20%，对把这款模型接进生产流水线的企业是实打实的账面变化。更重要的是速度：输出快 30%，同样吞吐量需要的并发实例更少。对预算敏感的中型企业，这次降价可能正好跨过「值得接入」的门槛。

5.3 投资人：看编排，别只看跑分

这次发布对投资视角的冲击不在 49.1%，而在「千级智能体工程化」被演示成了现实。如果编排成本持续下探，价值会从「模型本身」向「任务层工具链」外溢——任务切分、状态管理、验收框架都可能长出独立产品。当然这是推断，编排层是否会被模型厂商垂直吃掉仍是开放问题。

5.4 普通用户：感知会慢半拍

对不写代码、不跑数学的普通用户，这款模型这次更新的直接体感是响应更快、能力更强。费马大定理的演示更多是品牌叙事——它证明的是能力上限，不是日常体验。但上限会在一两个产品周期内传导到日常功能，RoboDojo Sim 的翻倍或许就是伏笔。

六、横向对比

6.1 旗舰模型对位

维度	Claude Fable 5.2	GPT-6 Astra	Gemini 4 Carbon	Claude Opus 5.5	DeepSeek V3.2
所属厂商	Anthropic	OpenAI	Google	Anthropic	深度求索
FrontierCode 2.0 复杂编程	49.1%	42.8%	41.1%	本次口径未披露	本次口径未披露
访问方式	面向广泛用户开放	常规商用开放	常规商用开放	常规商用开放	按该厂商既有策略
定价（每百万 token 输入/输出）	8/40 美元，降 20%	未在本次信息中给出	未在本次信息中给出	未在本次信息中给出	未在本次信息中给出
本次发布中的角色	新一代旗舰	对标竞品	对标竞品	上代参照	对比名单成员
特色披露	千智能体形式化演示	无	无	形式化任务18小时完成26%	无

这张表里最扎眼的是「未披露」的密度：能硬碰硬比较的只有编程基准一项。这正是用最有利的单一维度建立叙事的发布会手法。49.1% 是 Anthropic 引用的口径，第三方复测还没有出现。

6.2 三种完成形式化的路径

维度	1000 个 Claude Fable 5.2 智能体	Claude Opus 5.5	此前同类工作
参与规模	1000 个智能体	单一模型实例	未公开具体规模
耗时	30 小时	18 小时	约 11 天
完成度	完成	26%	完成
成本结构	千级并发算力投入	单线推理调用	以人力与审校为主
协作方式	多智能体编排、失败回滚	串行长任务推进	人工主导、工具辅助
对工程化的意义	证明编排范式可行	标出单模型能力边界	构成行业基线

第二张表的关键在于最后一行：三条路径里只有第一条同时做到了「快」和「可复制」。11 天的基线属于人类专家团队，30 小时的纪录属于编排系统，而它上一代 26% 的中间数字说明，没有编排，单纯堆模型聪明程度到不了终点。这张表也解释了为什么发布标题不该是「AI 会做数学」——上限早就在那里，新东西是「怎么组织一千个工人」。

七、中国视角

7.1 对比名单里的中国面孔

DeepSeek V3.2 出现在这次对比名单中，说明中国模型已经进入前沿实验室默认的对标视野，这本身是个位置信号。不过要诚实地说：本次信息没有给出 DeepSeek V3.2 的基准数字，无法量化对位，「已追平」或「差距拉大」的断言都缺乏依据。

7.2 差距在编排层

单模型能力上，国内头部团队的迭代速度一直不慢；这次暴露的差距更多在编排工程上——敢把 1000 个智能体投向数周量级的任务，背后需要任务切分、验证器对接、失败恢复这一整套基础设施，以及愿意为高风险演示买单的组织勇气。它展示的这部分能力不在论文里，而在工程日常里，追赶它比追跑分更慢。这是推断：公开信息不足以量化差距，只能确认方向。

7.3 机会在应用侧

中国有自己的优势场景：制造业的质检与控制、大规模代码迁移的存量工程、形式化方法在金融与安全合规中的潜在需求，都是「有客观验收标准+任务量巨大」的编排友好型场景。编排范式被验证后，应用侧的落地速度可能比基础模型侧的反超来得更快。国内团队未必需要先造出 Claude Fable 5.2，但要尽快回答「拿什么组织一千个智能体」。

八、争议与风险

8.1 「首次」话术的边界

最需要警惕的争议是叙事口径。费马大定理 1994 年由 Andrew Wiles 证明，任何「AI 攻破费马大定理」的标题都是误导。它这次做的是对已有证明的形式化验证，价值在于工程化而非数学新知。反方观点同样存在：形式化社区人士可能指出，把已被广泛检验的证明转成 Lean 代码，学术增量有限。正反两边各对一半——它确实不是数学突破，但把数周量级的形式化工作压缩到 30 小时，工程意义也不能否认。

8.2 对比口径的疑点

「此前同类工作约 11 天」的基线由厂商给出，指哪项工作、人力配置如何、是否同一证明对象，公开信息没有说清。30 小时对 11 天的对比，一边是 1000 个智能体的算力投入，一边可能是少量专家的串行工作，两者成本结构完全不同。反方观点认为，真正该公布的不是日历时间，而是总成本——如果 Claude 千智能体的 30 小时比专家团队的 11 天贵得多，「算力换时间」就只对不差钱的场景成立。这个质疑目前无法证伪，成本数字没有披露。

8.3 自报成绩单与黑箱访问

FrontierCode 2.0 的 49.1% 出自发布方自己的引用，GPT-6 Astra 与 Gemini 4 Carbon 的分数也是同一口径的并列呈现，第三方复测缺位；RoboDojo Sim 的翻倍同样只有官方数字。另一层风险在 Mythos：审核制把访问范围收缩到特定机构，外部既无法验证能力边界，也难以监督滥用判定标准。能力越强、开放越窄，公众监督越难——这不是对 Anthropic 的独家指控，而是前沿实验室分级开放后的共同治理难题。

九、接下来3–6个月看什么

9.1 可验证的信号清单

第一，形式化结果的第三方复核：1000 个智能体产出的 Lean 代码如果公开，形式化社区能否独立验证通过，是这次演示成色的试金石。第二，竞品回应：OpenAI 与 Google 是否给出新的 FrontierCode 2.0 分数、是否跟进降价，将决定这场攻势定价的走向。第三，成本披露：Anthropic 是否公布千智能体演示的总花费——公布了，说明对成本优势有底气；继续沉默，则印证前述疑点。第四，Mythos 审核名单的扩容速度：开放机构明显增长，说明分级开放策略被内部判定为安全可控。

四个信号里，前两个由外部决定，后两个由 Anthropic 自己决定。最有信息量的是第三条：一个敢把成本摊在桌面上的厂商，通常对商业模型的健康度更有把握。

十、常见问题

10.1 费马大定理不是早就被证明了吗？这次算什么？

是的，费马大定理在 1994 年已由 Andrew Wiles 给出严格证明。这次演示做的是「形式化验证」：把已有证明逐条转写为 Lean 形式化语言中的代码，由机器检验每一步推理是否严密无误。所以这不是首次证明，而是用它大规模复现并机器验证一个已有证明，属于工程与验证范畴，不是数学新突破。

10.2 30小时比11天快，快在哪里？

快在并行：11 天是此前的串行日历时间，这次是 1000 个 Claude 智能体同时开工，30 小时收工。千级并发意味着投入的算力小时数远超基线，本质是「算力换时间」。日历时间压缩了近一个数量级，但总资源投入反而可能更多，两者不要混为一谈。

10.3 Fable 5.2 和 Mythos 5.2 有什么区别？

两者共用同一底层模型，区别在安全限制与访问权限。Fable 面向广泛用户，是常规商用旗舰；Mythos 采取审核制，只对网络安全、生命科学等特定机构开放。可以理解为同一个引擎装在两台车上，一台公开发售，一台只租给持证司机。

10.4 49.1% 的编程基准分数意味着什么？

这是 FrontierCode 2.0 复杂编程基准上的得分，这款模型高于 GPT-6 Astra 的 42.8% 和 Gemini 4 Carbon 的 41.1%，说明在复杂编程任务上当前处于领先。但要注意这是厂商口径的对比，领先幅度是 6.3 个百分点，属于优势而非代差，最终含金量要等第三方复测确认。

10.5 1000个智能体的成本会不会很贵？

官方没有公布这次演示的总成本，只能给参照系：Claude Fable 5.2 输入 8 美元、输出 40 美元每百万 token，且较上代降价 20%。单价在下探，但千级并发的总量依然可观。成本是否划算取决于任务价值——对等不起 11 天的场景，贵也值得；对普通任务，单模型仍是更经济的选择。

10.6 这对普通开发者有什么用？

短期看是三件小事：响应更快（输出速度最高提升 30%）、更便宜（定价降 20%）、复杂编程能力更强。中期看是工作流变化：多智能体编排被验证后，把一个大任务整体交给它、由系统自行拆分与回滚，会逐渐成为可用的工作方式。开发者需要补的技能是任务定义与验收标准设计。

十一、写在最后

把这次发布压缩成一句话：单点能力的进步是量变，编排能力的工程化才是质变。费马大定理的 30 小时不会改变数学，但它演示了一种组织算力的方式——任务可切分、结果可验收、失败可回滚，满足这三条的工作，未来都可能交给一千个智能体。1994 年 Wiles 证明了这个定理，2026 年的这台机器学会的是「怎么把证明当工程干」。下一个被这种范式啃下来的领域是哪个，值得所有人盯着看。