概述：《算术级数的拟多项式界》与 Erdős 倒数和猜想（OpenAI 数学手稿集 · 结果族 159）

性质说明：本文是 AI 助手（Claude）撰写的导读性概述，不是原论文，也不是同行评审意见。原文共 198 页。概述者完整阅读了摘要、引言（第 1 节）和第 2 节的框架部分，其余技术章节没有逐行核验，也没有运行 Lean 形式化。文中的“证明”都只是转述原作者的说法。

• 原文：Quasipolynomial Bounds for Arithmetic Progressions，OpenAI，2026 年 9 月 23 日版，198 页
• 来源：GitHub 仓库 openai/math，路径为 preprints/Quasipolynomial-Bounds-for-Arithmetic-Progressions-September-23-2026/paper.pdf（Apache-2.0 许可）
• 作者说明：仓库 README 称，这些手稿由一个未公开的 OpenAI 内部模型生成，平均每个结果约用 3 小时 ChatGPT Pro 级别的思考算力。
• 查阅日期：2026-10-08

1. 问题是什么

Erdős 倒数和猜想：如果正整数集合 $A$ 满足 $\sum_{a\in A}1/a=\infty$，那么 $A$ 是否一定包含任意有限长度的等差数列？素数集合就满足这个条件，所以这个猜想把 Green–Tao 定理（素数中有任意长的等差数列）推广到了所有“倒数和发散”的集合。

记 $r_k(N)$ 为 $\{1,\dots,N\}$ 中不含非平凡 $k$ 项等差数列的子集的最大元素个数。若要用二进分块的办法推出 Erdős 猜想，只知道 $r_k(N)=o(N)$（即 Szemerédi 定理）还不够，需要更强的条件： $$\sum_{m\ge1}\frac{r_k(2^m)}{2^m}<\infty .$$

已知进展（据论文第 1.2 节）：

• $k=3$：经过 Roth、Heath-Brown、Szemerédi、Bourgain、Sanders、Bloom 等人的工作，Bloom–Sisask 首先越过了可和性门槛，解决了 3 项情形的倒数和猜想。随后 Kelley–Meka 得到 $r_3(N)\ll N\exp(-c(\log N)^{1/12})$，后续又被改进到指数 $1/9$ 和 $1/6-o(1)$。
• 一般 $k$：Gowers 证明 $r_k(N)\ll N/(\log\log N)^{c_k}$；Green–Tao 得到 $r_4$ 的多对数界；Leng–Sah–Sawhney 证明 $r_k(N)\ll N\exp(-(\log\log N)^{c_k})$。这些界的节省量都只体现在 $\log\log N$ 上，不足以推出二进可和性。

2. 论文声称的结果

定理 1.1。 对每个固定的 $k\ge3$，存在常数 $C_k,c_k,\varepsilon_k>0$，使得 $$r_k(N)\le C_k\,N\exp\!\big(-c_k(\log N)^{\varepsilon_k}\big).$$ 等价的说法是：只要 $\log N\ge A_k(2+\log(1/\alpha))^{A_k}$，密度为 $\alpha$ 的子集就一定包含 $k$ 项等差数列。也就是说，所需区间长度是 $1/\alpha$ 的拟多项式函数。

推论 1.2（Erdős 猜想）。 倒数和发散的正整数集合包含任意有限长度的等差数列。从定理 1.1 推出这一点只需对二进区间 $[2^m,2^{m+1})$ 求和，因为 $\sum_m e^{-c m^{\varepsilon}}<\infty$。

其他推论（第 1.1、1.4、11 节）：

• 更强的发散判据：对任意固定的 $B\ge0$，只要 $\sum_{a\in A}(\log(2+a))^B/a=\infty$，结论仍然成立。
• 由此重新得到 Green–Tao 关于素数正相对密度子集的定理。
• van der Waerden 数的上界：$W_r(k)\le\exp\!\big(A_k(2+\log r)^{A_k}\big)$，即对固定的 $k$，它关于颜色数 $r$ 是拟多项式的。同一手稿族中的另一篇论文给出了超多项式下界。

论文明确说明：指数 $\varepsilon_k$ 没有经过优化，对 $k=3$ 也没有声称改进已知结果。

3. 证明思路

主线是经典的密度增量法：如果集合中等差数列“太少”，就能在某个更有结构的子区域上找到更高的密度；不断重复，直到密度超过 1，得出矛盾。难点在于代价核算。密度每次只能按固定倍数提升，所以最多迭代 $O_k(1+\log(1/\alpha))$ 次。要得到定理 1.1，所有迭代累计的对数损失必须是 $\log(1/\alpha)$ 的多项式。

论文的处理方式是：

1. 三角多项式胞腔（第 2 节）。 每一步所在的区域由一串整数块 $b_1,\dots,b_D$ 依次确定，约束形如 $$\|b_h-C_h(u,b_{<h})-l_h\|_\infty\le w_h ,$$ 其中 $C_h$ 的加权次数不超过 $h$，宽度 $w_h\le1/32$ 足够窄，保证每个整数块唯一。旧约束在之后的每一步中都被精确保留。
2. 按权重递降的精度预算（定理 2.1）。 记 $Q_h=\log(2/w_h)$。全文的核心是：一次增量后，权重 $h$ 处新增的精度损失只依赖于更高权重的精度 $Q_{h+1},\dots,Q_D$，而不依赖当前的 $Q_h$ 或更低的权重。由于 $D$ 只依赖于 $k$，自上而下做归纳，就能让所有维数和精度在 $O(p)$ 次增量之后仍是多项式大小。作者指出，如果损失依赖于当前所有精度，反复代入会让多项式次数逐轮升高，整个方案就会失效。
3. 绝对增量（第 6 节、附录）。 用 Leng–Sah–Sawhney 的拟多项式逆定理，把很大的 Gowers 一致性范数转化为与 nilsequence 的相关性。再用作者提出的“平移比较”定理，把结构化检验转化为正性计数。这一步借用了 Kelley–Meka 的 unbalancing 和 sifting 技术（以 Bloom–Sisask 在 Bohr 集上的版本为准）、Schoen–Sisask 的几乎周期性定理，以及 Leng 关于多项式轨道等分布的高效估计。新增的坐标数是 $(2+p)^{C_k}$，与盒子的维数无关（引理 2.2）。
4. 返回原胞腔（第 7–9 节）。 在采样盒上找到的增量，必须重新用原变量表达，同时旧方程要保持精确。低次检验部分使用了 Conlon–Fox–Zhao 致密化的立方版本；高次部分用精确投影保留旧方程。第 10 节最后闭合上述递推关系，完成定理 1.1 的证明。

4. 验证状态（据仓库文档）

• 仓库 lean/docs/159.md 称，Lean 形式化覆盖的是倒数和推论：倒数和发散的集合包含任意长度、公差为正的等差数列。对应的比对陈述文件是 lean/ComparatorChallenges/ErdosReciprocal.lean。
• 定量上界（定理 1.1 本身）不在形式化范围内。
• 仓库附有推理过程摘要（reasoning_traces/quasipolynomial-arithmetic-progressions.pdf）。据摘要，模型先以 Bloom–Sisask 的 3 项结果和 Leng–Sah–Sawhney 的界为基线，攻克倒数和问题；随后重组各轮增量的精度代价，推进到拟多项式界。
• 本概述者没有运行 Lean 检查。考虑到原文长达 198 页、技术依赖很多，独立的专家审阅仍然十分必要。

5. 读者可关注的问题

• “按权重递降的精度依赖”（定理 2.1 中的不等式 (2.4)）是全文成立的关键，应重点核查第 7–10 节中，每一处损失是否确实不依赖当前精度和更低权重的精度。
• 论文大量引用 2024–2026 年的最新成果，例如 Leng–Sah–Sawhney 的逆定理和 Schoen–Sisask 的几乎周期性定理。外部输入的精确假设是否在每处都得到满足，需要领域专家确认。
• 常数和指数不可计算，也没有经过优化。对 $k=3$ 的情形，它并不比 Kelley–Meka 一系列结果更好。

本概述由 AI 撰写，仅作导读。引用请以原文为准。若发现转述错误，欢迎指出。