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。
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。
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。
OpenAI 发布 MedChemBench,用于评测 AI 在药物化学领域的推理能力。该基准展示了其前沿模型在帮助科学家识别有潜力的候选药物方面取得的进展:openai.com/index/introducing-…
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。
Anthropic以$83发行价登陆Nasdaq,首日收于$97.17,上涨17%,盘后跌逾3%。Claude Code 2.1.329显示定时任务、/loop唤醒和/tasks分叉;Gemini for Mac可在后台操作文件夹、应用及网页。GPT-Live-1.1进入API,新增更自然口音和降低闲置成本的待机选项。
OpenAI 更新 Responses API,使使用 GPT-6.2 的智能体能够承接此前推理,以更少 token 获得更好结果和更多缓存命中。从最新前沿模型开始,每个推理项都与此前的对话历史绑定;编辑早期消息后,API 会丢弃变更点之后的推理。
Cloudflare 在 Hugging Face 发布 Clairic,可通过单次前向传播直接提取信息,并支持超高速的 System 1 决策流程。与只负责决策的模型相比,Clairic 还将信息提取纳入同一次前向传播。
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》
Simon Willison 发布 llm-gemini 0.38,并测试 Google 当天推出的 Gemini 4 Neon。Neon 当前价格为每百万输入 token $3、输出 token $15,高于折扣期的 Carbon;鹈鹕测试中,Neon 的表现优于 Hydrogen、弱于 Carbon。
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》
Google 自今日起向 Google AI Pro 和 Ultra 订阅用户开放 Gemini 4 Neon,支持移动端、桌面端和网页端。官方称该模型擅长需要前沿级推理和快速响应的工作。
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》
Google 推出 Gemini 4 Neon,主打前沿智能和快速的端到端任务完成能力,面向复杂编码、知识工作与科学流程。该模型在 @ArtificialAnlys Intelligence Index 的 xhigh 设置下总榜排名 #3,在 Vals Index 排名 #2,并处于 Pareto frontier。
Google 推出 Gemini 4 Neon,正向 Google Antigravity 和 Gemini app 中的 Google AI Pro、Ultra 付费订阅者开放。
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》
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》
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。
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。
Gemini 4 Neon 已在 GCP Vertex AI Model Garden 上架,可通过 Vertex 全球端点使用,并在 Google 模型目录中标为 GA。
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。
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。
Xing 4 系列延续 TeleChat,在 Ascend 上协同改进模型架构与训练基础设施。基于 MindSpore HyperParallel 的系统支持在 8,192 张 Ascend 910C 卡上预训练 285B 参数模型;后训练平台 TeleGym 则连接智能体执行、评估、轨迹构建与策略优化。
Institute of Foundation Models 将 K2 Horizon 技术报告发布至 arXiv,以 134 页详述六个模型从架构、预训练、数据、后训练到推理的构建过程。
推荐理由:报告将模型架构、22T tokens 预训练、合成数据、后训练与加速推理串成完整流程,可作为大模型规模化训练的复现参考。
NVIDIA 在 Hugging Face 发布一款 4B 参数的推测解码草稿模型,用于加速 Qwen3.8-27B。其 token 接受率较内置 head 提升 46%。
Cloudflare 将自身定位为 neolab,依据是它已推出受 Jev 启发的决策模型 Clef 和 System One 提取模型 Clairic。这一称谓扩展了原本多用于研究导向、高算力且尚无显著收入的 AI 初创公司的定义,因为 Cloudflare 是年化收入超过 $3 billion 的上市基础设施公司。
Einsia AI 发布 Visual Cipher Bench,用40道原创视觉谜题评测8个前沿模型的长时程视觉推理能力。智能体每次可使用工具并运行60分钟,但没有书面规则或正确性反馈;最佳配置解出26.7%,3个模型一道未解。
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。
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。
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。
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。
阿里巴巴发布旗舰 MoE 模型 Qwen4-Max,采用 Qwen4 混合架构,拥有 2.4 trillion parameters、每个 token 激活 71 billion parameters,并支持原生图像处理和 100 万 token 上下文窗口。
同一件事,精选收录的是《Qwen4-Max 发布,采用 2.4T 主干参数并支持百万 token 上下文窗口》
NVIDIA 公布 Vera Rubin 的 MLPerf 首测结果,称其领先 MLPerf Training v6.1 全部项目,智能体推理每瓦吞吐量较 GB300 提升超过 10x。
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。
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。
Multi-Branch Transformer(MBT)并行执行多个独立参数的完整 Transformer 块,并在共享末层前融合分支输出。
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。
Google DeepMind 发布 Gemini 4 Hydrogen,并将其面向开发者、企业和消费者全球开放,用于快速执行与智能体工作流。
推荐理由:文章同时给出 Hydrogen 的性能、价格与安全数据,并说明 Orchestrator 如何在 Carbon 与 Hydrogen 间切换,便于理解其在开发工作流中的定位。
Google 发布 Gemini Decision 1 及 Gemini Decisions API,用于对文本、图像、音频、视频和 PDF 进行单次闭集决策。
Gemini API 发布 Gemini Decision 1 前沿决策模型,输入价格为 $0.10 per 1M input tokens,且不收取额外费用。该模型原生支持图像、音频、视频和 PDF,提供 256K context window、1K questions,并可在 API 中免费试用。
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。
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。
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。