这篇发表于2026年6月15日的arXiv论文《Nothing from Something: Can a Language Model Discover 0?》（意为"从有到无：语言模型能否发现0？"）由Phoebe Zeng等三位作者完成，归类于人工智能（cs.AI）与计算和语言（cs.CL）两个学科方向，预印本编号为arXiv:2606.17289v1。论文关注的核心问题是：基于人工神经网络的AI系统正被寄予推动人类数学知识边界的厚望，而衡量这类系统的关键标尺之一，就是它们能否真正超越训练数据所覆盖的范围。
作者指出，数学发现所要求的并非普通的泛化能力，而是一种强烈的分布外泛化（out of distribution generalization）：系统需要能够假设出某种全新的、在逻辑上可能更为强大的数学结构。已有研究曾提出假说，认为语言能力在人类认知中正是支撑此类泛化的基础。受此启发，本研究把简单算术选作一个可控的案例，用来考察现代AI模型如何扩展其数学视野，具体评测的题目是：这些模型能否独立地"发现"零（0）这个概念。
实验给出了两方面结果。第一，参数量相当于GPT-2规模的语言模型，无论是否经过语言预训练，都无法在测试阶段完成这一泛化——也就是说，仅凭已有的训练经验，模型无法自发地把握零这一概念。第二，如果让模型在数十到数百个关于零的示例上进行训练，其表现则会得到显著提升。换言之，这一概念并非无法学习，只是需要额外的、明确的实例来促成。
研究还揭示了一个值得关注的细节：语言预训练能够把所需的示例数量减少约50%。作者据此认为，语言能力可以在神经模型中为数学发现提供"脚手架"式的支撑，这与人类认知中语言辅助抽象思维的观点形成呼应。论文同时提供了PDF全文、实验性HTML版本以及TeX源文件，并附有DOI与提交历史等书目信息。
这一工作对理解大模型的数学能力边界具有参考意义：它表明，即便模型在既有数据上表现良好，面对真正新颖的数学概念时仍存在明显的分布外泛化缺口，而通过少量针对性示例与语言预训练的结合，可以部分弥合这一缺口。