跳到正文
今天11月21日周六4 条
  1. Latent Space66

    形式化验证如何对抗 AI 生成的低质量代码

    形式化验证可通过数学证明和逻辑检查 AI 生成代码的正确性,&Truth、Harmonic、Theorem 和 Axiom Math 正分别推进相关系统。&Truth 基于 Lean 构建验证机器,AxiomProver 和 Aristotle 也利用 Lean 生成或检查证明;Theorem 与 Anthropic 则探索由 LLM 扩大软件形式化验证规模。

  2. TechCrunch · AI79

    AI 辅助与纯人类研究者分别提出 167 年黎曼猜想的证明

    Anthropic 数学家 Levent Alpöge 公布了一份在 Claude 协助下得到、可由 Lean 编译的黎曼猜想解法。数学界仍需时间理解这份形式化结果并形成可供人类交流的解释。与此同时,Stanford 博士后 Alessandro Masullo 公布了历时 12 年、未使用 AI 的广义黎曼猜想证明草稿。

    推荐理由:报道并置 Claude 辅助、可由 Lean 编译的证明与历时 12 年、完全由人类完成的证明,呈现两条路径在可验证性与可理解性上的差异。

  3. The Verge · AI69

    Anthropic 数学家 Levent Alpöge 称借助 Claude 证明黎曼猜想

    Anthropic 数学家 Levent Alpöge 称,他在 Claude 帮助下证明了黎曼猜想,并称该方法可进一步解决广义黎曼猜想。其 Lean 版本目前仅发布于个人网站,尚未获独立核验或 Clay Mathematics Institute 接受。按该机构规则,候选解须发表并经至少两年审查,且获得全球数学界普遍认可,方可被考虑授予 $1 million 奖金。

11月20日周五
11月19日周四
  1. The Decoder87

    Google DeepMind 发布 Gemini 4 Neon,速度更快且多数基准超过 Carbon

    Google DeepMind 发布 Gemini 4 Neon,模型在多数基准上超过 Carbon,生成速度近乎翻倍,较 Carbon 常规定价低 25%。其支持文本、图像、音频和视频的 100 万 token 上下文窗口;在 xhigh 下,Intelligence Index 得分为 61,单任务成本为 $6.44。

    同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作与科学流程》

  2. Google Gemini82

    Gemini 4 Neon 开始推送,面向复杂软件工程、知识工作与科学工作流

    Gemini 4 Neon 今日开始推送,主打前沿级智能以及复杂软件工程、知识工作和科学工作流中的快速端到端任务执行。首批入口包括 Google AI Studio 中的 Gemini API、Gemini 企业版、Google Antigravity,以及面向 Google AI Pro 和 Ultra 订阅用户的 GeminiApp。

    同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作与科学流程》

  3. Google AI74

    Google 发布 Gemini 4 Neon,支持 1M-token 上下文与四档思考

    Google 发布 Gemini 4 Neon,面向复杂软件工程、知识工作和科学工作流,主打前沿级智能与快速端到端任务完成。它支持多文件调试与重构、1M-token 上下文窗口和 4 档可调思考;Google 称其在内部 Google Antigravity 测试中录得迄今最低的模型编造率。

    同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作与科学流程》

  4. Google DeepMind90

    Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作与科学流程

    Google DeepMind 发布 Gemini 4 Neon,主打复杂软件工程、知识工作和科学流程中的快速端到端任务执行。其 xhigh thinking level 在 Artificial Analysis Intelligence Index 以 61 分列总体 #3,Vals Index 列 #2,并提供 1 million-token 上下文窗口。

    推荐理由:原文同时给出第三方基准、每任务成本、上下文窗口和开放范围,便于比较 Neon 在性能与效率之间的定位。

  5. Hugging Face Blog80

    RadixArk 发布 DaisyRose-27B,Terminal-Bench 4.1 pass@1 升至 12.0%

    RadixArk 发布 DaisyRose-27B,Terminal-Bench 4.1 pass@1 从 5.6% 升至 12.0%。该模型基于 Qwen3.8-27B,使用 Miles 和约 1,200 个精选任务,在 144 H200 GPUs 上训练 18 天,最长训练会话达 1M tokens。

    推荐理由:文章把任务筛选、异步强化学习与沙箱基础设施连到具体成本和基准变化,呈现一套可迁移的长时程 Agent 后训练路径。

  6. Hugging Face Blog80

    180B 参数、32GB 内存:Transformers 流式加载 MoE 专家,将生成速度逼近 Strata

    作者在配备 32 GB 统一内存的 MacBook M5 上,用 Transformers 从 SSD 流式加载 180B 参数 Qwen3.8-Flash-Next 的 MoE 专家,使短解码达到 13.9 tok/s,与 Strata 的 14.8 tok/s 相差约 6%。

    推荐理由:该实验给出低内存设备运行大型 MoE 的可迁移路径,细化了专家流式读取、有界缓存与 Metal 内核各自解决的瓶颈。

11月18日周三
  1. Hugging Face 每日热门论文58

    权重空间编程不需要 Transformer

    研究发现,在由 LLM 直接编写目标权重且不使用梯度训练的权重空间编程中,自由设计的架构不必采用 Transformer。三个前沿 LLM 都将纯文本事实编入稀疏表并通过固定程序查询,测试准确率最高达 54.4%;其中一个 LLM 设计的模型比同一 LLM 编写的最准确已发布 Transformer 使用约 1,800x 更少参数,却取得更高测试准确率。

11月17日周二
  1. Hugging Face 每日热门论文90

    K2-Horizon 提出六款面向推理与智能体工作的全开源语言模型

    K2-Horizon 提出六款全开源语言模型,规模从 0.9B 稠密模型到 375B-A23B MoE,面向通用推理与智能体任务。这些模型在智能体和编码基准上领先或可与同规模强开源模型竞争;36B-A4B 结合 MoVA 和 softplus 注意力门控,以 1/7 活跃参数几乎匹配同数据训练的 32B 稠密模型,Uno 则可将解码加速最高 2.2x。

    推荐理由:同数据训练的对照结果显示,36B-A4B 以 1/7 活跃参数接近 32B 稠密模型,为研究规模与稀疏性提供了可复用基线。

  2. The Decoder78

    OpenAI GPT-6 Astra 协助构造标准模型晶格化难题的证明

    OpenAI 的 GPT-6 Astra 协助物理学家 Nathaniel Craig 构造一项证明,有望解决标准模型完整晶格化中延续 50 年的数学难题。Craig 提出通过比较逐步细化的晶格来校正重叠费米子的相位,GPT-6 Astra 将其转化为可行构造,并主导详细证明。三位晶格场论专家审阅了证明并提出问题,Craig 表示距离现实模拟仍有大量工作。

    推荐理由:材料呈现了GPT-6 Astra将细化晶格比较策略转化为证明构造的过程,并说明专家复核情况及距离现实模拟尚需完成的工作。

  3. Hugging Face 每日热门论文72

    分辨率假说指出智能体演化的关键在于识别改进

    研究提出分辨率假说,认为智能体演化停滞的瓶颈不是无法生成更好的提示词、技能或记忆,而是噪声评估难以可靠识别改进。对七种演化方法和六个模型开展的超过 10M 次 LLM 调用显示,在候选层面,选择机制区分有益与有害候选的表现不优于随机,错误会逐轮累积。在方法层面,常见的几个百分点差距小于同一方法两次独立运行之间的差异,因此论文中的方法排名往往受运气影响。

  4. Hugging Face 每日热门论文50

    FastFrames:以交互级延迟实现视频生成

    FastFrames 是一系列快速自回归视频扩散模型,在不牺牲质量的情况下实现交互级延迟。其 1.3B 版本在单张 B200 GPU 上达到每帧 36 ms、28 RPS,生成质量与速度慢近 8x 的先进模型相当;14B 版本在 8x B200 GPU 节点上达到每帧 45 ms、22 RPS,并获得更好的视觉质量和真实感。

  5. Anthropic Research80

    Claude Fable 5.2 解决黑洞物理中的两个开放问题

    Claude Fable 5.2 解决了黑洞与量子引力研究中的两个开放问题,并形成两篇预印本。它完成了20多年前提出的计算,结果显示黑洞形成相关相变仍是突变;同时推导出最简单模自举方法的精确极限,其中 M₁ ≤ c/Λ,Λ 约为 9.1266。多个 Claude 智能体运行约六周完成这些工作,结果在9月经 Lean 形式化验证,并由物理学家检查主要结论。

    推荐理由:两项结果分别展示多智能体完成长期搁置计算与跨领域寻找解析方法,为理解 AI 参与理论研究的工作方式提供具体案例。

11月16日周一
  1. TestingCatalog86

    Qwen4-Max 基准成绩公布,Artificial Analysis Index 获得 43 分

    Qwen4-Max 在 Artificial Analysis Index 获得 43 分,比 Muse Wonder 低 1 分。Qwen4 Max(xhigh)比 Qwen3.8 Max(xhigh)高 9 分,比 Kimi K3.1 Pro(max,46)低 3 分;它还以 14.7k 次真实智能体会话的 +7.5% 净提升位列 Agent Arena 第 14 名。

    推荐理由:材料并列呈现外部基准成绩与官方内部评测数据,便于比较 Qwen4-Max 相对前代的能力、token 消耗和调用成本。

11月15日周日
  1. The Decoder71

    Anthropic 建议调整 Claude Opus 5.5 的提示词习惯

    Anthropic 建议 Claude Opus 5.5 用户停止使用“think hard”和“think carefully”等旧提示词,并从默认的 Medium effort 开始,根据任务需要再切换到 High。公司称,Opus 5.5 在 Medium 上的表现可匹配 Opus 5 的 High;连接文件和系统、直接提供图表、描述最终结果并直接索要成品,更适合该模型。

11月13日周五
11月12日周四
  1. Google AI85

    Google 发布 Gemini Decision 1 模型与 Decisions API,支持多模态决策评估

    Google 发布 Gemini Decision 1 模型与 Gemini Decisions API,支持在一次请求中对文本、图片、音频、视频和 PDF 进行最多 1,000 个 yes/no、choice 或 rubric-scoring 问题评估。

    推荐理由:原文给出单次处理多模态输入和 1,000 个问题的接口设计,并列出延迟、价格与置信度输出,便于评估其在路由和审核流程中的适用性。

  2. Google Developers Blog77

    用 Gemini 和约束求解器捕获 Go 模糊测试漏掉的错误

    Google 的一名 Agent skills 项目负责人将 Gemini 4 Argon、Z3 约束求解器与 Go 汇编分析结合,从编译器保留的边界检查陷阱中合成崩溃输入;该流程找出测试解析器中预置的 3 个 bug,并在 skill-lint 中发现 3 个潜在 bug。

    推荐理由:文章拆解了 Go 模糊测试因切片容量掩盖越界崩溃的原因,并给出用 Gemini、Z3 与容量裁剪互补排查解析器错误的方法。

11月11日周三
  1. Hugging Face 每日热门论文53

    SO-Arena:评测 System One 模型的能力范围与决策可靠性

    SO-Arena 基准测试评估了 System One 模型在11个领域、五类能力中的能力范围与决策可靠性。它通过证据核验、细粒度难度标准和沙盒交互任务评估能力,并用选项集变化下的决策稳定性和无有效选项时的缺失答案识别衡量可靠性。对21个模型的评估显示,扩展规模和增加推理的收益因领域而异,整体表现最强的 System One 模型在可靠性上排第七。