这篇文章讨论了厄尔德什单位距离问题及其最新研究进展，介绍了厄尔德什构造、OpenAI构造和Mythos构造等不同方法，并探讨了通过代数数论和高阶数域扩展来改进单位距离的上界。研究表明，高阶数域的结构能有效解决该数学问题。

数学家们研究了在平面上放置n个点时，能有多少对点的距离恰好为1的问题。该问题由保罗·厄尔德什于1946年提出。最近，OpenAI的内部模型证明了一个长期的猜想，展示了新的构造方法，超越了传统的“方格”构造。这一结果标志着AI首次独立解决了数学中的重要开放问题，显示了AI在数学研究中的潜力。

mAceReason-Math是一个高质量的多语言数学问题数据集，支持强化学习与可验证奖励（RLVR）研究。该数据集包含来自AceReason-Math语料库的挑战性数学问题翻译，覆盖14种语言，每种语言超过10,000个样本，旨在提升多语言RLVR的研究和基准测试。

2025年，Google DeepMind的AlphaEvolve以48次标量乘法打破了1969年Strassen的矩阵乘法纪录。它不仅优化了矩阵运算，还解决了67个数学问题，展示了AI在数学领域的原创性和自我改进能力，预示着AI驱动的科学新时代的到来。

链式思维（CoT）提示是引导大型语言模型推理的标准技术。本文分析了数学问题中的CoT轨迹及其对最终答案的影响，发现CoT的潜力与正确答案的可能性相关，表现出非单调性和难以解释的尖峰。此外，部分CoT显著提升了较弱模型的表现，表明其机制具有可转移性。

英特尔推出了DeepMath，一个基于Qwen3-Thinking的轻量级数学问题解决代理。它通过生成小型Python脚本来增强数学推理，减少错误和输出长度。DeepMath在多个数据集上表现优异，使用GRPO训练提高准确性，并在沙箱环境中安全执行代码。该工具已在GitHub和Hugging Face上发布。

加州大学洛杉矶分校的Ryu教授利用GPT-5探索未解数学问题，发现其在创意生成和研究加速方面的潜力。尽管模型偶尔出错，但它帮助Ryu迅速排除无效思路，推动了复杂问题的解决。Ryu认为，AI与人类合作能显著提升研究效率，未来将继续在数学研究中应用AI。

我在arXiv上传了论文《有限域上的新Nikodym集合构造》。该研究基于与他人合作，探讨使用AlphaEvolve等工具解决数学问题。我们专注于构造尽可能小的Nikodym集合，提出了一种新的构造方法和改进的界限。

博格丹·乔治耶夫等人发表论文《大规模数学探索与发现》，介绍与谷歌Deepmind合作的AlphaEvolve工具。该工具通过进化计算优化数学问题，展现出比传统方法更优的规模和鲁棒性。在67个数学问题的实验中，AlphaEvolve在多个领域取得积极成果，但在数论问题上表现不佳。

本文探讨了GPT-5在解决中高级数学问题方面的能力，特别是线性方程组的解法和数学证明的构建。GPT-5在AIME 2025国际会议上取得了94.6%的数学问题解决成功率，展示了其在逻辑推理和分析方面的显著进步。尽管回应风格仍显机械，但在数学证明的结构和逻辑上表现出色。

MIT研究人员开发了CodeSteer，一个智能助手，帮助大型语言模型（LLMs）在代码与文本生成之间切换，从而提高其在数学问题上的准确性。研究表明，CodeSteer显著提升了LLMs解决复杂任务的能力，未来将进一步优化提示过程。