Třetí sada benchmarku First Proof porovnala pět AI systémů na deseti skutečných výzkumných matematických problémech. Specializovaný systém ProofCouncil podle hodnotitelů správně vyřešil devět úloh, samostatně testovaný GPT-6 Astra sedm. Systém Humanize založený na otevřených vahách Kimi K3 měl naopak ve všech odevzdaných řešeních zásadní chyby.
Testování proběhlo bez lidských zásahů a každý systém měl na práci 24 hodin. Anonymizované důkazy posuzovalo třicet odborných recenzentů, kteří oddělovali správnost, kvalitu výkladu a citace předchozí práce. Rozdíly byly i v ceně: ProofCouncil spotřeboval přibližně 1 888 dolarů, přímé použití GPT-6 Astra 36 dolarů. Autoři upozorňují, že ani správný výsledek automaticky neznamená kvalitní vysvětlení nebo dostatečné přiznání použitých matematických zdrojů.
