Altman 在 ADIPEC 表示：解出 Navier-Stokes 的 1 万 Agent 内部模型就是「即将发布的下一代 GPT」

核心背景与行业痛点

9 月 8 日，OpenAI 发文称一个未发布的内部模型驱动约 1 万个并发 Agent，约 88 小时给出 Navier-Stokes 千禧年难题的一个解答，并附上 Lean 形式化证明。当时官方只说这个内部模型明显强于 GPT-6 Astra，没有说它会不会、何时变成产品。11 月 2 日，Sam Altman 在阿布扎比 ADIPEC 能源大会开幕演讲（同场宣布与 ADNOC、G42 等的合作）中补上了这一环：那 1 万个 Agent 运行的是「即将发布的模型，下一代 GPT」。对开发者来说，这意味着下一款旗舰的卖点很可能是大规模多 Agent 长时自主协作，而不只是单轮对话能力。

架构亮点与底层机制

Altman 在台上的描述是：Agent 连续工作约四天，没有层级、没有「老板」，完全去中心化，各自选择方向、互相分享进展。OpenAI 9 月博客给出的机制更具体：Agent 可读取互联网缓存、运行代码，按组划分、组内互通，不同组分别尝试问题的不同表述；之后用 Codex 汇总各组最有用的洞见做「交叉授粉」。注意 Altman 口中的「约四天」与官方博客的「约 88 小时」略有出入，以博客为准。

权威 Benchmark 与实测跑分对比

新一代 GPT 的跑分官方未公布。可引用的只有 9 月博客的官方/厂商口径：Navier-Stokes 一题 Agent 间发送 270 万条消息、约 1300 亿输出 token；所有尝试问题合计 490 万条消息、约 3000 亿输出 token；Lean 形式化由 GPT-6 Astra 再花 17 小时完成。Quanta 报道援引 OpenAI 的 Sébastien Bubeck 估计算力成本达数百万美元。证明针对的是带光滑外力的情形（Clay 表述中的 C、D），数学界对其意义的讨论仍在进行。

开发者实战落地与开箱指南

现在能做的有三件事：一是直接读 GitHub 上的 openai/NavierStokesAndEuler，用 Lean 4 与 Mathlib 本地执行 lake build，了解「模型产出、机器验证」的工作流；二是在自家 Agent 系统里借鉴「分组并行、组内通信、定期汇总」的结构，并像 Lean 一样给 Agent 配一个能说「不」的自动验证器（测试、类型检查、形式化校验）；三是为新模型预留评估预算，发布后优先测长任务和多 Agent 场景。X 上流传的「GPT-6.2 Astra」等名称和发布日期都没有官方来源，不要据此做排期。