主要证据
- On Learning-Curve Monotonicity for Maximum Likelihood EstimatorsS1 · 主要研究来源 · 论文 · 2025-12-11
- Advancing science and math with GPT-5.2S2 · 官方机构来源 · 官方公告 · 2025-12-11
GPT-5.2 Pro 推导开放学习曲线单调性问题的证明
该论文研究最大似然估计在数据增加时其期望预测误差是否单调改善，证明若干 Gaussian 与 Gamma 情形下的 forward-KL 单调性，并给出适用于广泛指数族的 reverse-KL 论证。OpenAI 将其作为 GPT-5.2 Pro 直接参与此前未解决数学问题的案例公开介绍。
发生了什么？
Sellke 与 Yin 报告了最大似然估计量新的单调性保证，其中包括此前文献明确列为开放问题的 Gaussian 情形；论文同时声明，全部结果均由 GPT-5.2 Pro 的不同变体推导，人类没有提供证明策略或中间论证，而是负责验证并整理证明。
为什么重要？
相较于此前模型主要在人类主导证明流程中提供思路的案例，这一记录呈现了来源明确声明的更强 AI 角色：作者称结果与证明发展本身由模型生成，人类主要负责验证与表述。
重要性说明：这篇学习曲线论文提供了 2025 年末一个具体案例：研究者报告前沿语言模型在未获得人类证明策略的情况下推导出一个此前开放的统计学习问题之数学结果与证明论证，而人类仍负责验证与整理成文。
历史脉络
证据与状态一览
- 重要性
- H2 · 领域里程碑
- 验证状态
- 论文已发布
- 证据等级
- E2 · 研究记录
- AI 角色
- AI 主导、人类核验
- 形式保障
- 无形式保障
贡献与验证
- 数学新颖性
- 新证明
- 接口
- 非形式化, 符号
- AI 贡献
- 按论文说明，GPT-5.2 Pro 的不同变体在没有人类提供证明策略或中间步骤的情况下推导结果与证明论证；人类负责提出后续探索要求、检查数学内容并整理最终证明。
- 人类贡献
- Sellke 与 Yin 选择并界定研究问题，推动模型继续探索，验证所得数学内容，将结果与既有文献联系起来，并完成最终论文。
- 验证状态
- 论文已发布 · E2 · 研究记录 · 无形式保障
- 最后审阅
- 2026-09-11
技术细节
- 系统
- gpt-5-2-pro
- 机构
- openai
- 数学问题
- learning-curve-monotonicity
- 方法
- language-model-proof-generation, human-verification, statistical-learning-theory
全部来源与工件
- On Learning-Curve Monotonicity for Maximum Likelihood EstimatorsS1 · 主要研究来源 · 论文 · 访问于 2026-09-11
- Advancing science and math with GPT-5.2S2 · 官方机构来源 · 官方公告 · 访问于 2026-09-11
验证历史
- 2025-12-11 · 论文已发布 · E2 · 研究记录
原始论文与 OpenAI 官方案例公开记录了数学主张以及 GPT-5.2 Pro 与人类作者之间所声明的工作分工。Chronicle 记录这些主张，但不独立认证证明正确性或历史优先权。
更正
当前没有记录的更正。