1917年，日本数学家挂谷宗一提出了一个看似简单的问题：在平面上，一根针旋转360度，所扫过的区域面积最小能是多少？
直觉上，答案似乎是以针长为半径的圆盘。但数学家很快发现，存在面积可以任意小的集合，仍然能让针在其中完成任意方向的旋转——这类集合被称为"挂谷集合"（Kakeya set）。
挂谷猜想将这一问题推广到更高维度：在 n 维空间中，任何包含每个方向上单位线段的集合，其"大小"（以豪斯多夫维数和闵可夫斯基维数衡量）是否必然等于 n ？换言之，高维空间中的挂谷集合是否不可能"太薄"？
这一猜想与调和分析、偏微分方程、数论等领域深度交织，被视为现代分析学的核心难题之一。目前，三维情形已取得重大突破，但四维及更高维度的集合版挂谷猜想仍是开放问题——它要求研究者在极其复杂的几何与分析结构中，构建严密且环环相扣的论证链条。
作为一个具有百年研究历史的经典数学问题，挂谷猜想长期吸引着数学界的关注。从低维情形到更高维度的推广，相关研究不断深入。其中，四维集合版挂谷猜想仍是调和分析与几何测度论领域的重要开放问题，对数学论证与逻辑推演提出了很高要求。
近日，云知声自研 U2-Flash 围绕四维集合版挂谷猜想开展自主推演，完成从问题分析、推理构建、迭代修正到预印本手稿生成的全链路探索，并留存了相应的推理与迭代记录。
（生成结果视频替代）
这次实践并不意味着四维挂谷猜想已经获得最终证明，而是将大模型置于一个真实的前沿数学问题中，考察其能否突破单点解题模式，持续推进复杂任务，并形成可供进一步审查的研究成果。
从回答问题到探索开放性数学难题，云知声 U2-Flash 正在以具体任务检验大模型的长程推理能力。
01 直面前沿数学问题，考验长程推理能力
挂谷猜想的难点，不在于某一次计算，而在于如何建立严密、连续的数学论证。面对四维集合版这一高维问题，研究者需要在复杂的理论体系中寻找切入点，梳理不同概念之间的关系，并通过一系列相互依赖的推导逐步推进研究。
对于大模型而言，这同样是一项挑战。
模型不仅需要理解问题条件，还要组织多个推理环节，持续跟踪中间结论，并根据阶段性结果调整后续思路。一个局部步骤的疏漏，就可能影响整条论证链路。
因此，这类开放性数学问题考验的，不只是模型能否给出合理答案，更是其能否在长程任务中维持逻辑连贯性，并对推演过程进行持续检查与修正。
02 从问题拆解到手稿生成，探索自主推演全流程
此次任务中，U2-Flash 围绕四维集合版挂谷猜想展开连续推演，尝试完成从问题分析到预印本手稿生成的完整流程。
问题拆解：构建推理路径。 模型梳理问题结构与相关条件，分析不同数学概念之间的联系，并据此组织后续推演。
连续推演：推进复杂论证。 面对多个相互关联的推理环节，模型需要持续跟踪关键条件与中间结果，围绕整体目标推进分析，而非停留在孤立的局部回答上。
迭代修正：根据结果调整思路。 在多轮探索中，模型重新审视推导过程，尝试识别潜在问题、调整推理路径，并继续推进后续论证。
手稿生成：整理阶段性成果。 在推演与迭代后，模型将相关内容整理为预印本手稿，并保留相应过程记录，为后续分析和审查提供依据。
从问题拆解、连续推演到迭代修正与文稿输出，这次实践将模型的能力检验从单次回答延伸至完整任务链路，也为观察其复杂任务执行表现提供了具体案例。
需要强调的是，完成推演流程并不等于证明成立。手稿中的数学论证仍需接受专业审查与必要的独立验证。
03 从 RSI 到长程推理，探索模型能力演进的新路径
复杂任务能力的提升，不仅取决于模型单次推理的表现，也与模型能否从任务执行和反馈中发现问题、持续改进密切相关。
云知声持续探索递归自我改进（Recursive Self-Improvement，RSI）等技术路径，尝试让模型参与任务数据生成、执行轨迹分析、薄弱环节识别等环节，并通过可追溯的流程与相应验证机制，探索模型能力改进的新方式。
长程推理则进一步关注模型在实际任务中的表现：能否持续围绕目标开展分析，处理多环节之间的逻辑依赖，并根据阶段性结果调整后续路径。
此次 U2-Flash 对四维集合版挂谷猜想的自主推演，为观察模型在复杂开放问题中的任务推进能力提供了实践案例。RSI 与本次数学推演分别对应模型能力改进机制和复杂任务执行实践，共同体现了云知声对模型持续改进与复杂推理能力的探索。
04 让复杂推理走向可验证的实际应用
对于数学研究而言，模型能否生成手稿只是第一步，关键仍在于推理过程是否严谨、结论能否经受专业审查。长程推理能力的价值，也需要通过真实任务与严格验证来检验。
从前沿数学推演到代码开发、专业分析与多步骤任务执行，大模型正面临从单次回答走向完整任务推进的新要求。
云知声将持续推进基础模型、后训练与智能体技术研发，探索模型在复杂推理与专业任务中的能力边界，并通过持续迭代和验证机制，推动相关能力向更加可靠的实际应用发展。
从回答问题到持续推演，从生成结果到接受验证，云知声将继续探索大模型参与复杂问题求解的更多可能。
