GPT-5.6与Fable合作提出新型贪心翻转算法，首次在O(N log N)时间内严格实现信噪比2logN下的最大似然检测，终结25年来该理论阈值无法被高效算法精确击中的困境，超越此前所有近似方法（如球形译码、box relaxation、AMP）的性能与证明边界。
一道悬置长达25年的通信理论核心难题近日迎来决定性突破——信噪比临界值2logN所定义的最大似然检测（MLD）阈值，首次被严格、高效地实现。该阈值标志着：当信噪比≥2logN时，发送比特可被以概率趋近1精确恢复；低于此值，即便是理论上最优的MLD本身亦失效。2001年，Hassibi与Vikalo曾寄望于球形译码算法，通过在接收信号邻域构造搜索球压缩解空间，并推导出多项式期望复杂度；但后续分析证实其实际运行远超理论预期，无法真正抵达阈值。此后二十年，半正定松弛、AMP、局部比特翻转及统计物理启发方法轮番登场，虽具优雅理论框架，却均未能在严格意义上匹配2logN边界。2020年box relaxation方法取得阶段性进展，在4logN信噪比下实现可证精确恢复，但复杂度仍为理论下限的两倍。此次GPT-5.6与Fable联合工作，重构了离散优化范式，将贪心翻转策略与动态代价护栏深度耦合：只要未达最优解，必存在至少一位翻转可降低目标函数；而一旦收敛至真解，所有翻转均导致代价上升，自然终止——由此确立O(N log N)步内精准触达2logN阈值的首个确定性算法。
来源：量子位