依意思最接近的 30 筆
Jeremy Avigad、Kevin Buzzard 等七位數學家聯合發文，反對在 OpenAI 上週發布後興起的「儘快形式化全部數學」呼籲，認為做得不好會造成持久損害、浪費鉅額資源。文中舉例：Anthropic 稱 Claude 用 1300 萬行程式碼、11 天完成費馬大定理的形式化驗證，Buzzard 稱讚成果卻表示不會停下自己手頭的形式化工作；Math, Inc. 試圖劫持 Viazovska 球堆積形式化專案，原團隊最終棄用 AI 程式碼重做。
A2UI 支援可切換推理格式，新增的 A2UI Express 會把緊湊的 Python 風格語法經 Agent SDK 編譯成標準 A2UI JSON，token 用量最多減少 3 倍，延遲同步下降。開發者還可以結合 TypeSafe 的 Jev 系統決策模型進行受控生成，在 300ms 內渲染出已知結構的介面，同時讓較小模型流式輸出文字。前端渲染器與元件目錄無需改動，Python、TypeScript、Dart 均可使用。
蘋果與卡內基梅隆大學提出 SSR 框架，讓多模態搜尋 Agent 不再逐 token 生成自由形式推理，而是從 6 條預定義推理選項中做選擇題。在 7 個多模態搜尋 benchmark 上，每輪推理延遲降低超過 90%，每題總推理延遲降低 28–54%，p95 推理延遲僅 0.07 秒；4B 模型平均成功率 61.37%，與同規模 SOTA 持平，2B 達 51.26%。推理選擇由模型自身打分完成，不需要額外分類頭，也可跳過 SFT warm start 直接接 RL 訓練。
Anthropic 前沿紅隊部落格發布研究：與 Theorem Labs 合作，用 Claude 在數週內為一百多個真實開源庫證明安全屬性。形式化驗證過去只能用於小規模程式碼庫或需大量專家時間，AI 模型正讓大規模驗證變得可行。完整研究已在其部落格發布。
作者發布 ADRs for AI 框架及其外掛，讓模型把每個設計決策寫成 Git 版本化的「架構審議記錄」。配套的 ORRCF 提問格式要求模型給出選項、建議、理由、置信度與可證偽條件，把疑慮擺出來供人批准或否決；記錄同時說明非顯然設計選擇的依據，以及在換平台、換延遲要求等條件下決策會如何變化。外掛 ADRs4AI/plugins 已提交 Anthropic marketplace，作者稱正錄製入門影片，希望獲得上手體驗方面的反饋。
近期出現一批極窄用途的推理執行時，包括 Strata、ninfer、DwarfStar、Splash、llamAmpere、gufo 等。它們刻意放棄 llama.cpp 與 vLLM 擅長的通用性，只針對少數模型甚至單一硬體家族（如 Strix Halo）做最佳化。作者認為通用執行時負責相容、過擬合執行時負責極致效能將成為常態，並有助於智慧的民主化與去中心化，讓現有硬體在特定配置下榨出最大輸出。
OpenAI 在 GitHub 公開了 722 篇由內部未發布前沿模型生成的數學手稿，涵蓋數論、代數幾何、分析、組合數學等方向，其中約 300 項核心結果完成 Lean 形式化驗證，佔 42%。公司稱模型共嘗試超過 4000 個問題，一項典型成果平均消耗約 3 小時 ChatGPT Pro thinking 算力，但未公開所用模型與提示詞。
Minotaur 這套不依賴語言模型、也不用 GPU 的 AI 架構，能完成演繹、歸納、溯因、診斷、實驗選擇與信念修正等多種推理，全部由單個網路、單個普通 CPU 核心完成，每題約 0.25 秒。在由從未看過其程式碼的人設計的盲測中，它在一道“提問會改變證人記憶”的警方訊問推理題，以及僅憑資料學習、診斷和預測系統兩項上，與當前語言模型表現持平。文章還回顧了邏輯理論家、通用問題求解器、專家系統、Prolog 與日本第五代計算機專案等前語言模型路線各自的止步之處。
數學形式化正從人工轉錄轉為 AI 自動形式化：Anthropic 於 2026 年 9 月 4 日宣布完成費馬大定理的自動形式化，11 天生成 1300 萬行 Lean 程式碼；OpenAI 9 月 8 日公布 Navier-Stokes 強制爆破定理時也附帶了 Lean 形式化。此前 Math Inc. 在 24 維球填充問題上生成約 50 萬行程式碼，Meta 的 ATLAS 專案則自動形式化了 26 本教科書的大部分內容。
Claude 在 123 個真實開源庫的 RISC-V 彙編層面生成了形式化安全證明，作者稱這是首次用 AI 把形式化驗證大規模應用到生產軟體。證明覆蓋所有小於 64 MB 的輸入：在單執行緒靜態二進位制、固定記憶體預算的 RISC-V 執行環境下，程式總能正常退出，不觸發記憶體安全錯誤或斷言失敗。寫證明的過程中 Claude 還發現了數萬億次測試都沒檢出的 bug；
OpenAI 於 2026 年 10 月 6 日發布由內部前沿模型產出的多項數學結果，以 GitHub 倉庫形式公開，併為其中許多證明提供 Lean 形式化驗證。倉庫同時給出 10 份模型推理摘要、以 ChatGPT Pro 用量折算的算力估算，以及嘗試題目數量的統計，平均每個結果約消耗相當於 3 小時 ChatGPT Pro 思考的算力。
推理框架 v0.32.0 發布，最值得注意的是新增 meta-models/Muse-Spark-Open-816B-A42B-NVFP4 模型支援，併為 NVFP4 量化 MoE 加入全域性縮放。同版本還新增 MiniCPM5 工具呼叫解析器、Hadamard 旋轉的 2-bit Qwen3.5（prism_hadamard_qwen35）、Qwen3.5 並行 head，並支援未轉換的模型權重。
arXiv 新論文指出，用 Lean 機械驗證 AI 自動形式化的數學證明，並不能保證原始自然語言證明本身正確。作者 Bastounis、Circelli 與 Hansen 證明，要做到語義忠實的翻譯必須消解自然語言數學文字的歧義，而該問題在可解複雜度指數（SCI）層級中為無窮，比停機問題（SCI=1）更難。
OpenAI 宣布在 ChatGPT 推出新的視覺廣告格式，並擴充套件廣告測量工具與合作伙伴。該格式初期在影像生成過程中測試，廣告會明確標註且與生成的圖片分開，不影響 ChatGPT 給出的回答，本月晚些時候在美國面向首批廣告主開始。ChatGPT 每週觸達 12 億人。OpenAI 同時接入 Hightouch、Tealium、LiveRamp 的轉化資料整合，與 AppsFlyer、Adjust 等歸因夥伴合作，並與 DoubleVerify、IAS 試點品牌適配性評估。
Ai2 發布 Old Ideas, Novel Problems 研究與配套基準，結論是用 LLM 當新穎性評審並不可靠：只改 prompt 裡幾處措辭，模型分辨兩個想法哪個更新的準確率就變動超過 50 個百分點。測試涵蓋 GPT-5.1、GPT-5.2、GPT-5.4 與 Claude Sonnet 4.5、Opus 4.5/4.6，檢索與額外推理都不能穩定改善判斷，兩個專門建置的新穎性評估系統還不如直接用 prompt 呼叫的 Claude Opus 4.6 基線。
Ai2 開源了 AstaBrief 8B，一個把研究問題與檢索文獻片段轉成帶引用報告的模型，基於 Qwen3-8B 訓練，已作為 Asta 的 Fast 模式上線。官方稱 Fast 模式平均 51.1 秒生成一份報告，比 Claude 驅動的 Thinking 模式 178.5 秒快約 3.5 倍。模型權重、訓練資料與範例工作流一併開放，機構可在自有基礎設施上本地生成報告。
AlphaGo 核心作者 Thore Graepel 在 MIT Technology Review 發文稱 LLM 不會推理，並已離開 Google DeepMind 創業做可審計的機器推理。他指出 AlphaGo 第 37 手是策略網路加搜尋機制的結果，而 LLM 的思維鏈仍只是預測下一個 token，缺少可檢查的認知狀態、知識與推理的分離，且常事後編造解釋。Yann LeCun 表示讚賞，認為真正推理必須涉及搜尋。
OpenAI 把一個尚未發布的內部模型產出的 722 篇數學手稿一次性放上 GitHub，歸入 372 個「成果族」，覆蓋數論、幾何、理論計算機、數學物理等 17 個方向。清單裡既有證明也有證偽，摘要中出現「證偽」「反例」的成果族約 50 個；約六成附有 Lean 形式化，其餘只能算聲稱，且絕大多數尚未經過同行評審。涉及的包括準黎曼猜想、BSD 公式、有理數域上的希爾伯特第十問題、唯一遊戲猜想、Hadwiger 猜想反例、埃爾德什等差數列猜想等。
Jev 發布 33 天后熱度迅速消退，這篇評論借它批評 AI 行業靠營銷話術製造期待。文章指出 Jev 本質是通用分類器，宣稱不會幻覺、更快更便宜，但輸出仍會出錯，且已有開放權重模型在部分任務上價效比更高，並可在本地執行。作者還稱其非自迴歸決策模型思路早於 Jev 一年半出現，並由此質疑行業四年來的創新增量。
微軟聯合 Hugging Face 推出 ThinkingBox 基準，通過 Hugging Face 提供，不看 agent 的回覆文字和工具呼叫，只檢查它留在後端資料庫裡的最終狀態與副作用，每個任務重複跑 20 次。在 507 個有狀態業務流程、12 個模型、121,680 次有效試驗中，79,853 次未通過可執行檢查，其中 67.24% 仍乾淨收尾且無工具報錯。
Sebastian Raschka 發布從零建置推理模型的影片課程，共 8 集、總時長超過 11 小時。課程以小型預訓練 Qwen3 模型為起點，用 Python 和 PyTorch 親手實現評估、推理時擴充套件、強化學習與蒸餾，可配合其《Build a Reasoning Model (From Scratch)》一書按章節同步練習。前置要求是熟悉 Python 與 PyTorch；早期文字生成與評測範例在 CPU 上即可執行，後續訓練實驗建議使用 GPU。
10 月 21 日，OpenAI 聯合 PerturbAI 與 Scripps Research 公布：由新架構 GPT-Rosalind 驅動的數千個 AI 智慧體，在 32 分鐘內解析了約 772 萬行的小鼠全腦 CRISPR 擾動資料集，同類工作人類研究者需數月到一年。分散式叢集合計引用 700 餘篇文獻，而單智慧體受上下文視窗限制平均僅引用 11 篇；盲法專家比較中，75% 更偏好分散式報告。
OpenAI 公開了一個倉庫，收錄其內部模型產出的 722 篇數學手稿，分為 372 個族，並附部分 Lean 形式化與 10 項結果的推理摘要。這些成果來自對開放研究問題的評估，絕大多數由同一個未發布的內部模型完成，平均每個結果消耗 3 小時 ChatGPT Pro thinking 算力，評估期間共提出約 4000 個問題。倉庫內的結果處於不同驗證階段，並非都有 Lean 形式化，未形式化的部分可能存在問題；
OpenAI 本週發布 719 份針對高難度數學問題的解答，但未完全滿足普林斯頓高等研究院 AGMAI 上月發布的指南。AGMAI 的首要建議是停止在專有模型上測試高深數學問題，而 OpenAI 明確稱正用開放研究問題評估其專有模型；719 篇手稿中僅 10 篇公開了模型的思維鏈，42% 的證明未做形式化。
10 月 6 日，OpenAI 在 GitHub 公開 722 篇 AI 數學手稿，分屬 372 個結果族、含 377 項新證明，約三分之一涉及重要猜想，多數由一款尚未發布的內部模型生成，平均每項結果的計算量相當於 ChatGPT Pro 思考約 3 小時。發布兩天後 OpenAI 因錯誤撤回 3 篇，多位數學家指出部分手稿未必真正證明了所聲稱的結論。
Ai2 於 2026 年 10 月 2 日開源 AstaBrief 8B，一個把研究問題與檢索文獻片段轉成帶引用報告的模型，基於 Qwen3-8B 訓練，採用 SFT 加 DPO 而非強化學習。它已作為 Asta 的 Fast 模式上線，與 Claude 驅動的 Thinking 模式並列，整條流水線平均每份報告 51.1 秒，比 Thinking 模式的 178.5 秒快約 3.5 倍。
OpenCode 發布 v1.19.3，核心改進是支援通過模型推理選項生成推理變體，取代目錄中的變體，同時保留使用者已配置的變體覆蓋。該版本由 opencode-agent 於 2026 年 10 月 16 日發布，並被標記為 Latest，發布說明的 Core 部分僅列出這一項改動。除此之外沒有其他功能、修復或破壞性變更的說明，需要該能力的使用者升級到 v1.19.3 後在推理選項裡配置即可。
Google DeepMind 發布一期播客，討論 AI 生成內容日益逼真後如何驗證內容來自人類、機器還是自然。節目介紹內容溯源的作用，並講解不可感知水印如何保護數字媒體與生物設計，時間軸涵蓋水印概念、SynthID、影像與影片、SynthID Bio 及未來韌性等章節。
復旦大學、騰訊混元與清華大學聯合發布 ExplorationBench，用兩套規則被改寫的「異星世界」AlienCode 和 AlienLogic，評測 AI 能否通過自主實驗發現規則。10 個前沿系統讀完範例後，在 AlienCode 上最高僅 15.7%，四輪探索後最好軌跡達 89.0%；若只讓模型多想、不給環境反饋，最高只有 11.0%。GPT-5.6 Sol 自主探索拿到 88.1%，而事先直接告知全部規則反而只有 69.5%，說明探索過程同時提升了規則的使用能力。
一篇 2026 年 10 月 11 日發布的觀點文章認為，AI 帶來的認知外包不是認知退化，而是把人從繁瑣規則裡解放出來。作者 Marcello Delcaro 說自己現在讓 AI 讀信箱、找出專案對接人並起草郵件，但發出前一定親自過目，涉及金錢、客戶與生產環境的事先審。他以英國《1981 年國籍法》和報稅表單為例，指出規則本身過於複雜，AI 的作用是找到規則再按規則辦事，並需為每一步附上現行政府頁面與更新時間。省下的腦力則回到寫日記、讀書和社交。