Cos’è successo

Un paper su arXiv (29 luglio 2026) usa GPT-5.6 per trovare un controesempio alla congettura di Maxwell, un problema aperto di elettrostatica dal 1864. Cinque cariche puntiformi nello spazio euclideo con almeno 24 punti critici non degeneri: oltre il limite di $(n-1)^2$ che Maxwell aveva proposto. Il modello frontier ha contribuito a chiudere un problema che i matematici non avevano risolto.

Contemporaneamente, CTGT pubblica una ricerca su distillazione. Addestrando GPT-OSS-120B sugli output di DeepSeek V4 Flash per il ragionamento finanziario, le capacità si trasferiscono, la censura no. Il modello distillato descrive i programmi di trasferimento degli uiguri e il Grande Balzo in Avanti senza alcuna riformulazione politica. Su 152 coppie di prompt controllate e quattro giudici da lab diversi, nessuna differenza statisticamente significativa rispetto al modello base non toccato.

Perché ti riguarda

Il frontier risolve ancora problemi che i modelli aperti non toccano. La pipeline di distillazione significa però che le capacità dei modelli aperti cinesi si possono assorbire senza trascinarsi dietro i loro vincoli politici. Come raccontavamo il 1° agosto, DeepSeek V4-Flash eguaglia già GPT-5.6 Luna a un costo per task inferiore del 60%: il gap fra aperto e proprietario si riduce da due lati. I modelli aperti si avvicinano sulle prestazioni grezze, e i loro comportamenti utili si trasferiscono puliti.

Nel dettaglio

La congettura di Maxwell

La congettura di Maxwell (1864) riguarda il campo elettrostatico di $n$ cariche puntiformi. Maxwell ipotizzò che il potenziale avesse al massimo $(n-1)^2$ punti critici, tutti non degeneri. Per $n = 5$, il limite sarebbe 16. Philip Arathoon, Gavin Ball e Matthew D. Kvalheim esibiscono una configurazione di cinque cariche con almeno 24 punti critici non degeneri. La congettura è falsa.

Il paper, depositato su arXiv il 29 luglio 2026, indica GPT-5.6 come strumento nel processo di scoperta o verifica del controesempio. È un segnale che i modelli frontier entrano come strumenti esplorativi nella ricerca pura, oltre che nella scrittura di codice e nell’analisi dati. Il limite da tenere a mente: un controesempio trovato con l’aiuto di un modello va verificato con metodi formali, e il paper è preprint (peer review ancora in corso).

L’esperimento di CTGT

Johnny Yu, Siddarth Mamidanna e Cyril Gorlla hanno testato se il comportamento censorio si trasferisce insieme alle capacità, usando DeepSeek V4 Flash come insegnante e GPT-OSS-120B come studente sul ragionamento finanziario.

DeepSeek V4 Flash ha mostrato un gap di 45,45 punti su prompt politicamente sensibili rispetto a controlli strutturalmente identici (152 coppie, quattro giudici da quattro lab frontier). Il modello distillato non ha mostrato differenza statisticamente significativa rispetto al modello base. Ha descritto i programmi di trasferimento degli uiguri, il Grande Balzo in Avanti, Tienanmen, senza riformulazioni.

L’auto-distillazione (il modello corregge i propri errori e allena sé stesso) ha eguagliato la distillazione dal modello cinese su ogni seed. Il modello distillato segna 83,61% su FinanceReasoning, sopra Kimi K3 (81,93%) e Inkling (65,13%), a un costo per query 62 volte inferiore a Inkling e 160 volte inferiore a Kimi K3.

CTGT ha rilasciato tutto: 304 prompt, i controlli accoppiati, il rubric dei giudici, il codice di valutazione, i modelli stessi.

Limiti e implicazioni

Il risultato è specifico al dominio finanziario e alla censura cinese. Non prova che ogni comportamento indesiderato si possa filtrare via con la distillazione, né che ogni capacità si trasferisca pulita. Il campione è moderato. CTGT ha un interesse commerciale nella narrativa che i modelli cinesi sono sicuri da distillare: i dati sono pubblici e verificabili, ma la generalizzazione va presa con cautela.

Il dato sull’auto-distillazione è forse il più rilevante per chi costruisce. Se confermato su altri domini, un modello può raggiungere gli stessi guadagni correggendo i propri errori, senza un insegnante esterno. Ridurrebbe ulteriormente il vantaggio dei modelli insegnanti più grandi e chiuderebbe un altro pezzo del divario fra chi ha accesso ai frontier e chi no.