部分数学家呼吁抵制OpenAI，反思AI批量生成证明对数学界的冲击
美国数学会（AHM）发表声明呼吁抵制OpenAI，批评其批量发布未经整理的AI证明是“展示力量而非学术”，并指出这可能导致数学研究生态的不可逆损害。菲尔兹奖得主陶哲轩等25位顶尖数学家签署声明，警告AI解题速度远超人类验证能力，可能破坏数学界对概念理解的追求。
推荐理由：文章梳理了数学家对AI批量生成证明的抵制与反思，揭示了AI加速解题对学科生态的深层冲击。
#推理
#推理
今日 3 条The Decoder精选AI 评分8888 TechCrunch · AIAI 评分6868 OpenAI数学解题方案未达数学界标准
OpenAI发布数百个数学难题解法，但被普林斯顿大学数学与AI顾问组（AGMAI）指出未达到数学界标准。主要问题在于缺乏人类对结果的真正理解，且仅42%的证明经过了形式化验证。剑桥与国王学院的研究进一步指出，OpenAI的自然语言证明与Lean代码之间存在至少两处差异，引发对AI自主形式化验证可靠性的质疑。
Latent SpaceAI 评分5656 Periodic Labs 创始人：让 AI 智能体在物理实验室中探索材料科学
Periodic Labs 创始人 Liam Fedus 和 Ekin Dogus Cubuk 在访谈中阐述了构建“合成超级智能”的愿景，主张通过强化学习让 AI 智能体在物理实验中进行材料发现。
The DecoderAI 评分7272 AI数学突破引发以太坊研究者对钱包安全崩溃速度的辩论
以太坊研究者警告AI辅助数学可能加速破解加密钱包签名系统，建议将资金转移至从未签署过交易的地址以隐藏公钥。Vitalik Buterin对此表示认同但提醒谨慎操作，主张长期采用仅依赖哈希函数的架构。
Simon Willison精选AI 评分7777 Anthropic 发布 Claude Haiku 5.5 并调整定价与订阅福利
Anthropic 发布 Claude Haiku 5.5，定价与 GPT-6 Luna 持平，但默认开启推理且使用新分词器。同时宣布 Sonnet 5.5 缓存读取降价，并为订阅用户发放等值月度 API 额度。
推荐理由：原文实测了 Haiku 5.5 的推理成本与价格，并指出长上下文下的定价劣势，为选型提供依据。
Hugging Face Blog精选AI 评分8383 Nemotron 微调模型获 IOI 与 IMO 双金牌
Hugging Face 发布 Nemotron 系列模型在 IOI 2026 和 IMO 2026 竞赛中获金牌的成绩。Nemotron-3-Ultra-CC 在 IOI 中得分 535.4/600，IMO 系统得分 30/42。官方开源了相关模型权重、训练数据集、推理代码及 NeMo-Skills 工具包。
推荐理由：原文给出了 Nemotron 在 IOI 和 IMO 的金牌成绩及微调方法，读者可据此复现顶尖编程与数学推理能力。
Latent Space精选AI 评分9797 AI新闻：OpenAI发布722篇数学论文，Mistral推出Large 4模型
OpenAI发布内部Navier-Stokes模型的722篇数学手稿，包含准黎曼猜想等成果，引发数学界重大反响。Mistral发布1T参数多模态模型Large 4，支持API并承诺开源。Google推出多模态嵌入模型EmbeddingGemma 2及图像模型Nano Banana 2.1。OpenAI发布决策API公测版，Anthropic扩展网络安全验证计划。
推荐理由：原文梳理了OpenAI内部模型数学突破、Mistral新模型发布及多项工具更新，提供行业全景与关键争议点。
Simon WillisonAI 评分88 Hacker News 用户 Jake Boggan 评论 OpenAI 解决 Barnette 猜想
Hacker News 用户 Jake Boggan 评论 OpenAI 在 openai/math 帖子中宣布解决 Barnette 猜想。他提到自己曾花费数千小时研究该问题，甚至曾以为已解决，得知被证明后感到复杂情绪。
Latent SpaceAI 评分3535 Reflection 发布开源代码模型 Beam 501B-A23B
Reflection 发布 Beam，一款 501B 总参数 / 23B 激活参数的 MoE 代码模型，声称在 SWE-bench Verified 上得分 80.9，推理效率是 GLM 5.2 的 3–4 倍。该模型使用 23.8T 预训练 token 从头训练，全量权重将于本月以 Apache 2.0 协议开源。
Simon WillisonAI 评分3838 Qwen3.8 27B 用英文单词进行加法运算的实验
实验测试了本地模型 Qwen3.8-27B-Q4_K_M.gguf 仅用英文单词表达正整数加法结果的能力。禁用推理时，模型在 5,070 个测试用例中数值准确率仅为 23.57%，且随数字位数增加性能急剧下降。启用推理后，模型在 169 个对比测试中 167 次得出正确答案。
Hugging Face Blog精选AI 评分6565 Ai2 开源 AstaBrief 8B 科学报告生成模型
Ai2 开源了 AstaBrief 8B 模型，该模型基于 Qwen3-8B 微调，专为快速生成带引用的科学文献综述报告而设计。在 Asta 平台中，该模型作为 Fast 模式上线，报告生成速度比原有的 Thinking 模式快约 3.5 倍，同时保持了相近的引用准确性和用户满意度。
推荐理由：开源了针对科学报告生成的轻量模型，提供了一整套数据筛选与评估方法，可迁移至其他垂直领域。
MIT Technology Review · AIAI 评分4242 别被误导——大语言模型并不具备推理能力
大语言模型并不具备真正的推理能力，其表现出的“思考”仅是基于概率的联想与模式补全。与 AlphaGo 通过搜索机制构建并评估游戏树不同，当前模型缺乏显式的认知状态记录，且无法将知识与推理过程分离。这种缺陷导致模型在医疗等高风险领域难以追溯错误根源，亟需借鉴 AlphaGo 架构开发具备真正推理能力的新方法。
Ars Technica · AI精选AI 评分8383 Ataraxos 以极低算力击败史上最强 Stratego 玩家
卡内基梅隆等高校团队开发的 AI Ataraxos 以 15 胜 1 负 4 平击败 Stratego 顶尖玩家 Pim Niemeijer，仅用 16 张 GPU 和数千美元完成训练。该成果攻克了长期存在的隐藏信息博弈难题。
推荐理由：研究展示了在极低算力下攻克高隐藏信息博弈的方法，为复杂决策提供了可迁移思路。
Google DeepMind精选AI 评分9090 Google 发布 Gemini 4 Argon 模型，输出上限扩至 100 万 token
Google 发布前沿模型 Gemini 4 Argon，将输出 token 上限扩至 100 万，在 DeepSWE、Vals Index 等评测中领先。该模型定价为输入 2 美元/百万 token，正通过 Fairwind 计划向受信任的网络安全防御者开放。
推荐理由：Argon 将输出上限扩至 100 万 token 并强化安全防御，为复杂长程推理与代码工作流提供了新基准。
Microsoft Research精选AI 评分6666 微软发布Quine生物研究系统，多模态模型辅助胰腺癌药物筛选
微软发布Quine，一个面向生物学的多模态世界模型与交互式研究系统。该系统在胰腺导管腺癌研究中，通过预测并优先排序数千种化合物，成功引导湿实验验证了驱动肿瘤细胞状态转变的候选药物，将筛选过程缩短至数天。
推荐理由：微软发布Quine生物研究系统，通过多模态世界模型辅助实验设计，在胰腺癌研究中验证了加速化合物筛选的可行性。
Import AIAI 评分1818 Import AI 474：Platonic mindspace；太空TPU；智谱启动外部RSI循环
科学家Michael Levin提出“柏拉图心智空间”理论，认为心智是非物理模式，通过生物或机器接口进入物理世界。文章探讨了该理论对AI对齐和哲学问题的启示，并提及Xenobots等实验。此外，本期还讨论了太空TPU以及智谱启动外部RSI循环。
Google DeepMind精选AI 评分8585 Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 实时对话模型
Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两款实时对话模型，支持近实时视觉输入、97 种语言自动切换及后台工具调用。3.8 Live Extended Thinking 在 Artificial Analysis 语音质量指数中排名第一，并在 τ-Voice 基准测试中展现多步推理能力。
推荐理由：新增实时对话与扩展推理能力，提供语音基准数据与多语言支持，便于开发者构建生产级语音智能体。
Hugging Face Blog精选AI 评分7474 100步GRPO微调LFM2.5-350M提升结构化输出合规性
Liquid AI 发布教程，展示使用 TRL 库和 GRPO 算法微调 LFM2.5-350M 模型。在 IFStruct 基准测试中，经过约 500 样本和 100 步训练，模型结构化输出合规率从 22.6% 提升至 29.7%，其中 JSON 通过率提升近 14 个百分点。
推荐理由：提供在免费算力上微调小模型提升结构化输出合规性的具体方法与数据。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3.8 Flash 及网络安全版
Google DeepMind 发布 Gemini 3.8 Flash 及 Gemini 3.8 Flash Cyber，在保持 3.7 Flash 同等低成本（$0.75/$3.75 per million tokens）的同时，显著提升了编码、推理及网络安全能力。
推荐理由：在保持3.7 Flash同等低成本的同时，显著提升了编码、推理及网络安全能力，为开发者提供了高性价比的升级选择。
Hugging Face BlogAI 评分5050 BenchMIRT：利用多维IRT拆解LLM基准测试的真实测量目标
AllenAI发布BenchMIRT，利用多维项目反应理论（MIRT）在提示词层面审计LLM基准测试。该工具在16个基准和3.4万道题上训练，独立识别出安全与通用推理两个主导维度，揭示BBQ、WMDP等基准中安全与推理信号的混合情况。BenchMIRT还能通过仅保留10%最具区分度的题目来高效评估模型，并准确预测模型在未见题目上的表现。
Hugging Face Blog精选AI 评分8282 IBM 发布 Granite 4.2 推理模型系列
IBM 发布 Granite 4.2 推理模型系列，包含 3B、8B 和 30B 三个尺寸，采用密集解码器架构并支持思考模式切换与原生工具调用。模型基于约 15T token 预训练，并通过包含 SWE、终端和搜索的多阶段强化学习进行后训练，在 SWE-bench Verified 等基准上表现强劲。
推荐理由：原文披露了从预训练到多阶段强化学习的完整构建细节，为同类模型提供了可迁移的技术参考。
Import AIAI 评分3333 Import AI 470：METR 研究揭示 AI 加速进展不均；SPADE 框架利用自博弈自动化生成环境
METR 研究显示 AI 在网络安全领域加速显著，数学研究进展较小，AI 自身算法优化未见明显加速。SPADE 框架通过自博弈自动化生成可执行环境，Qwen3-30B-A3B-Instruct-2507 在基准测试中表现最佳。
Google DeepMindAI 评分5656 Google DeepMind回顾15年游戏AI研究并公布EVE Online合作计划
Google DeepMind回顾了过去15年在游戏AI领域的研究历程，从DQN到AlphaGo再到SIMA智能体。文章宣布与Fenris Creations展开合作，利用EVE Online的复杂环境研究持续学习、记忆和长期规划等前沿AI能力。
Hugging Face Blog精选AI 评分7575 Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理速度最高提升 3.2 倍
Liquid AI 发布 LFM2.5-DSpark 草稿模型，为 LFM2.5 系列模型提供推测解码路径，在 H100 上最高实现 3.18 倍吞吐提升，在 M4 Max 上最高实现 2.87 倍提升。该方案已开源并支持 llama.cpp 和 SGLang，在保持输出质量不变的前提下显著降低延迟。
推荐理由：原文给出了具体加速数据与部署配置，读者可据此评估端侧交互体验提升与现有工作流的适配度。
Import AIAI 评分3838 Import AI 469：DiG-bench 评测 AI 发现能力；RSI 模拟器；Zuck 的技术悲观主义
DiG-bench 基准测试显示 Opus 5 和 Fable 5 在 70 个隐藏规则游戏中表现最佳，但仅能攻克 Tier 7 的 0.2 任务，远逊于人类。Paradigm Research 推出 RSI 模拟器，模拟 AI 公司递归自我改进的研发过程。Inherent 发布 Faraday，通过监督前沿模型培养 AI 科学家的研究品味。
Microsoft ResearchAI 评分4242 MindTopo 揭示多模态大模型的空间推理能力
Microsoft Research 发布 MindTopo 基准测试，评估多模态大模型在拓扑推理与规划中的表现。测试涵盖连通性、包围等五类拓扑属性，结果显示当前模型在静态识别上表现尚可，但在交互规划中常因无法维持结构关系而失败。该基准旨在揭示 AI 在机器人等交互环境中理解拓扑结构的差距。
Google Research精选AI 评分6868 Google Research：检索是参数化事实性的瓶颈
Google Research 发布研究，提出知识画像框架并构建 WikiProfile 基准，评估发现前沿模型如 Gemini-3 和 GPT-5 的事实编码已近饱和，但直接检索失败率仍达 26–34%。研究指出长尾事实与反向问题主要面临检索困难，链式推理能恢复约 40–65% 的已编码知识，表明提升事实性的关键在于优化知识利用。
推荐理由：研究指出前沿模型事实错误主因是检索瓶颈而非知识缺失，链式推理可恢复大量已编码知识。
Import AIAI 评分3333 Import AI 468：23 项 RSI 政策建议、PostTrainBench+ 及 AI 竞跑中的信任与透明
智库 IFP 发布 23 项针对 AI 研发自动化（RSI）的政策建议，涵盖透明度、风险管理和美国 AI 领先优势等七大类别。MIT 与哥伦比亚大学研究指出，AI 企业间实现协调减速的关键在于技术开发的透明度与相互信任。
Berkeley AI ResearchAI 评分4242 ABBEL：通过信念状态更新提升大语言模型长程交互效率
ABBEL 框架将摘要转化为自然语言信念状态，并通过信念评分监督信息内容，解决长程交互中上下文压缩导致的性能下降问题。在 CollabBench 协作编码环境中，该框架将模型与全上下文设定的性能差距缩小约 50%，同时训练步数减少 50%。
Mistral AI精选AI 评分7272 Mistral 发布 Leanstral 1.5 形式化推理模型
Mistral 发布 Leanstral 1.5，一款 6B 激活参数的开源形式化推理模型，在 miniF2F、PutnamBench 和 FATE-H/X 基准上刷新 SOTA。该模型通过长上下文推理在代码验证中发现多个隐藏 Bug，并提供免费 API 与 Hugging Face 权重。
推荐理由：在形式化验证基准上刷新SOTA且成本极低，展示了长上下文推理在代码验证中的实际效用。
Google Research精选AI 评分7777 Google 发布 TabFM 表格数据零样本基础模型
Google 发布 TabFM，一个专为表格数据设计的零样本基础模型，通过上下文学习消除手动特征工程和超参数调优。该模型在 BigQuery 中原生集成，支持通过 SQL 直接进行回归和分类预测，并在 TabArena 基准测试中表现优异。
推荐理由：TabFM 将表格预测重构为上下文学习问题，无需微调即可在 BigQuery 中直接运行，大幅简化了传统机器学习工作流。
Hugging Face BlogAI 评分4040 DiScoFormer：一个同时估计密度和分数的 Transformer 模型
DiScoFormer 是一个基于 Transformer 架构的模型，能在单次前向传播中同时估计数据分布的密度和分数，无需针对新分布重新训练。在 100 维数据测试中，其分数误差比最佳手动调优的核密度估计（KDE）降低约 6.5 倍，密度误差降低超过 37 倍。该模型通过共享骨干网络和一致性损失实现自适应，适用于生成建模、贝叶斯推断等需要高精度分数估计的场景。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 DiffusionGemma 扩散文本模型
Google DeepMind 发布开源实验模型 DiffusionGemma，采用扩散机制并行生成文本，在单卡 H100 上推理速度提升 4 倍，适用于本地低并发场景。
推荐理由：模型采用扩散机制实现并行生成，在本地低并发场景下推理速度提升显著，适合对延迟敏感的应用。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemma 4 12B 多模态模型
Google DeepMind 发布 Gemma 4 12B 模型，采用无编码器架构，视觉和音频输入直接接入 LLM 主干，原生支持音频输入。该模型在 16GB 显存下即可运行，具备接近 26B 模型的推理性能，并内置多令牌预测（MTP）草稿器以降低延迟。
推荐理由：采用无编码器架构并原生支持音频，在16GB显存下即可运行，适合本地部署智能体应用。
Google Research精选AI 评分7373 Google 发布 ERA 科研工具并推出计算发现平台
Google 发布 Empirical Research Assistance (ERA) 工具，利用 Gemini 通过树搜索方法编写和优化科学代码，在基因组学、流行病学预测、碳监测等基准测试中达到专家级性能。同时推出基于 ERA 和 AlphaEvolve 的计算发现平台 Computational Discovery，并开放 Gemini for Science 实验工具供注册使用。
推荐理由：ERA 工具通过树搜索优化科学代码，已在多项基准测试中达到专家级水平，并开放给科研社区使用。
Berkeley AI Research精选AI 评分6868 自适应并行推理：高效推理扩展的新范式
Berkeley AI Research 发布长文综述自适应并行推理（APR），探讨模型如何自主决定何时分解任务、生成多少并发线程及如何协调。文章对比了 Multiverse 修改推理引擎复用 KV Cache 与 ThreadWeaver 保持引擎不变在客户端拼接的方案，并分析了 SFT 演示与基于关键路径长度的奖励设计。
推荐理由：系统梳理了自适应并行推理的范式，对比了修改推理引擎与客户端编排两种执行路径的优劣。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 AlphaEvolve 智能体年度应用成果
Google DeepMind 发布 AlphaEvolve 年度成果，展示该 Gemini 驱动编码智能体在基因组学、电网优化、量子计算及 TPU 设计等领域的算法优化应用。
推荐理由：原文展示了该智能体在科研、基建及商业场景中的具体优化成果，为评估其实际效能提供了详实参考。
Hugging Face Blog精选AI 评分7878 IBM 发布 Granite 4.1 系列开源大语言模型
IBM 发布 Granite 4.1 系列（3B、8B、30B）开源大语言模型，采用 Apache 2.0 协议。该系列在约 15T tokens 上预训练并支持 512K 上下文，通过多阶段强化学习显著提升了数学、编码和工具调用能力。其中 8B 模型在多项基准上匹敌或超越前代 32B MoE 模型。
推荐理由：原文详述了数据工程与多阶段强化学习等训练细节，展示了8B密集模型在多项基准上匹敌更大MoE架构的能力。
Google DeepMindAI 评分4545 Google DeepMind 与韩国科学技术信息通信部达成合作
Google DeepMind 宣布与韩国科学技术信息通信部（MSIT）建立合作伙伴关系，将在首尔设立 AI Campus 以支持韩国 AI 战略。双方将利用 Gemini 驱动的 AlphaFold、AlphaGenome 等前沿 AI for Science 模型，加速生命科学、能源及气象领域的科研突破。此外，合作还涵盖人才培养及与韩国 AI 安全研究所（AISI）的安全研究协作。
Google Research精选AI 评分6868 Google Research 发布 ReasoningBank 智能体经验学习框架
Google Research 发布论文介绍 ReasoningBank，一种让智能体从成功与失败经验中学习并自我进化的记忆框架。该框架提炼全局推理模式，结合记忆感知测试时扩展（MaTTS）提升 WebArena 和 SWE-Bench-Verified 上的成功率与效率。
推荐理由：提出从成功与失败经验中提炼结构化推理模式的记忆框架，结合测试时扩展实现智能体自我进化。