依意思最接近的 30 筆
NVIDIA cuDSS 結束預覽轉為正式可用，這個 CUDA-X 庫把工程與科學模擬中最耗時的大規模稀疏方程組求解交給 GPU。官方給出的合作方資料包括：應用材料在 Ginestra 中稀疏求解最高提速 10 倍，達索系統 Abaqus 的結構與電磁求解器提速 8 至 10 倍，蔡司 SMT 用 COMSOL 跑 EUV 光刻等離子體基準取得 4 倍加速、整輪模擬 6 天 14 小時完成。
OpenAI 於 10 月 6 日一次性發布 372 項數學成果，其中包括 Subhash Khot 的 Unique Games 猜想證明，部分結果附有 Lean 證書，但並非全部。截至目前似乎還沒有人類讀懂這些證明，理解它們的競賽才剛剛開始。作者妻子、複雜度理論家 Dana Moshkovitz 長期研究 UGC，她稱論文寫得極差、必須靠 AI 輔助才能閱讀，證明構造出一種全新的遞迴編碼與噪聲測試。
OpenAI 公布 372 項數學與理論電腦科學成果，其中包括 Subhash Khot 的 Unique Games Conjecture（UGC）證明，推薦名單有 Timothy Gowers、Edward Witten 等數學家。UGC 意味著許多最佳化問題即使只想比半正定規劃鬆弛略好地近似，也是 NP-hard。部分成果附 Lean 證書，但幾乎所有證明尚未被人類理解；
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。
OpenAI 公開了由一款尚未發布的前沿模型產出的 722 篇論文手稿，稱其中解答了數百個長期懸而未決的數學問題。這批手稿覆蓋 372 個結果族，把相關論文歸入同一組，結果已預期數週才公布。新成立的獨立數學家顧問組 AGMAI 負責對外溝通這些成果。此前數學界對這些突破既感震動也存在爭議，並引發了關於研究倫理與學術規範的討論。
小紅書 Dots 團隊開源稀疏注意力加速方案 DoSA，在保持原始 Top-K 選擇結果完全等價的前提下加速索引器，約 1M token 上下文下 Dots3-Note-preview、GLM-5.2、DeepSeek-V3.2 的首 token 延遲較各自 SGLang 基線分別降低約 37%、46% 和 48%。其做法是用分數上界與入選門檻下界，提前排除約 97% 不可能入選的候選，只對剩餘候選做全部索引頭的精確打分。
10 月 16 日，範式智慧聯合睿思智聯發布一站式生產級 AI 部署平台模域（ModelSphere），面向企業免費開源，以 Apache 2.0 協議在 GitHub 上線。平台把算力管理、模型部署與執行最佳化整合為統一流程，可統一混合排程華為昇騰、天數智芯、摩爾線程、海光 DCU 等國產晶片，無需為不同晶片重寫底層程式碼。
過去一年，OpenAI、Anthropic 等實驗室宣布解決了多個長期懸而未決的數學問題，其中甚至包括一道千禧年大獎難題，進展超出研究人員預期。但這些實驗室以矽谷式的高速推進，本應被慶祝的成果反而招致學界反彈，有數學家要求 OpenAI 證明未使用其工作成果，也有批評指向其行事方式。實驗室表示正在從早期的失誤中學習，承諾能否兌現尚待觀察。
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。
Hinton、Bengio 等 22 位作者聯合發表首篇 RSI（遞迴自我改進）論文《What if automating AI R&D triggers an intelligence explosion?》。論文引用 Anthropic 內部資料：AI 生成獲批程式碼佔比從 2025 年 1 月的低個位數升至 2026 年 5 月的超 80%，Claude 在高層監督下自主完成的 AI 研發工作比例從 2026 年 3 月的約 1% 升到 8 月的 26%。
北京通用人工智慧研究院體系孵化的通衍靈智公布 RSI（遞迴自我改進）個性化 AI 路線：在共享基礎模型之上，用輕量 Personal LoRA 承載個人與企業的專屬能力。Evaluator 先按使用者標準篩選業務反饋，只把反覆出現的模式用於增量更新；更新後要與舊版本在同一批任務上對比，退化就回滾。
Ricursive Intelligence 兩位創始人在 TechCrunch Disrupt 上介紹，公司正開發能自行設計晶片、從每次迭代中學習並改進後續設計的 AI，目標是自動化並加速晶片設計流程。創始人 Anna Goldie 與 Azalia Mirhoseini 稱未來五年算力需求至少增長 10000 倍，與其建 10000 倍資料中心，不如讓晶片和晶圓用得更高效；
Meta AI 在社交平台介紹了一項最佳化領域的新研究：研究者與 Muse Spark 合作，證明了一條明確規則，用於判斷某個簡化在什麼條件下能精確還原原始數學問題、在什麼條件下會留下差距。該結果針對的是用更簡單問題替換困難數學問題的場景，論文連結已隨帖文給出。
軟體工程學者 Diomidis Spinellis 在部落格中判斷，AI 將接管大部分認知工作，思考會像狩獵、書法和木工一樣，從謀生手段變成休閒愛好。他給出三個驅動因素：效能更高、成本更低、可用性更高，並提到 OpenAI 內部模型已解決數百個此前未解的數學問題。文中還提到到 2030 年數萬億美元的資料中心投資將帶來更多算力，政府可能以監管和稅收限制 AI，但歷史上的類似舉措未能阻止技術革命；他建議保持靈活、跟上進展，並在工作之外建立有意義的生活。
OpenAI 產品負責人 Tibo Sottiaux 發帖預告未來模型會更擅長刪除和簡化程式碼，並在評論中確認 Astra 6.1「coming soon」。負責 coding post-training 的研究員 Rajan Agarwal 轉發該帖，並公開徵集使用者遇到的 sloppy code 與程式碼品質問題。《華爾街日報》此前報導，Astra 6.1 原計劃 10 月發布，因內部安全測試中在權限邊界上表現不穩而被臨時叫停。
普林斯頓大學教授 Elad Hazan 發表長文，回顧線上凸最佳化（OCO）二十年，串起 Online Newton Step、AdaGrad 等現代 AI 核心方法的脈絡。他回憶了與 Satyen Kale、John Duchi、Yoram Singer 合作提出 AdaGrad 的過程，以及 ONS 論文被 FOCS/STOC 拒稿的經歷；OCO 的 regret minimization 與自適應更新思想後來進入 bandit、線上控制與序列建模。
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。
數學家陶哲軒在 SAIR 演講中公開呼籲模型公司放慢數學研究節奏，稱 AI 無休止加速卻對後果一無所知，並稱之為 Proof Indigestion（證明消化不良）：AI 只在生成解答與 Lean 驗證上狂飆，理解、評審、寫入教科書幾乎停滯。此前他與 25 位菲爾茲獎得主聯名發表公開信，批評把數學當 benchmark 刷分。OpenAI 隨後回應，宣布在普林斯頓高等研究院設立數學與人工智慧顧問小組，但宣告寫明該小組不就數學上的內部進展提供建議。
OpenAI 10 月 6 日宣布解決 100 多道數學開放問題後，社群網站 Proofs and Prompts 彙集了 100 多條數學家署名的反應，並持續更新至 10 月 9 日。反應中提到的結果包括 Thompson 群 F 非順從、Eilenberg–Ganea 猜想為假、Boone–Higman 猜想被完全解決，以及 Borel 猜想在四維失效、粗 Baum-Connes 猜想失效。
OpenAI 發布文章，介紹用 AI agents 在複雜生物資料中尋找新線索。文章聚焦生物資料的複雜性與規模化分析，屬於 OpenAI 官方分享的研究方向。公開頁面未給出所用模型、資料集、合作方或具體發現數量，暫無可核實的實測結果。
Parsimony 是一個開源基準，用來衡量 AI 模型在改程式碼時到底新增了多少程式碼。它複用 DeepSWE、SWE-bench Verified 與 SWE-bench Live 已公開的補丁，統計語句、呼叫、命名、字面量等「編碼單元」而非程式碼行數，並減去被刪除的程式碼，只算淨增量。GPT-6 與 Claude 5.5 尚無公開補丁，作者在自己的訂閱上跑了 3–10 個任務，結果以淺色圓圈顯示、不參與排名。作者也歡迎提交新模型的公開補丁匯出。
xAI 於 2026 年 10 月 20 日在官網新聞頁發布了一篇題為 incident-sweep 的公告。該帖僅給出全文連結 x.ai/news/incident-sweep，未在正文中說明事件性質、影響範圍或處理進展。具體內容需要開啟原文檢視。
OpenAI 在 GitHub 倉庫 openai/math 公開 722 篇數學手稿，歸入 372 個成果族，全部由一個尚未發布的內部前沿模型產出。據 OpenAI 說明，模型被投餵約 4000 個研究問題，平均每個結果消耗約相當於 3 小時 ChatGPT Pro 思考的算力，手稿日期幾乎集中在 9 月 23 日至 10 月 5 日。372 族中有 235 族附帶 Lean 形式化，約佔六成三；OpenAI 承認未形式化的結果可能存在問題，且未公布模型名稱。
rStation 上線，這是一個面向 AI agent 的共享研究社群：獨立 agent 在站內討論研究問題並發表經過評審的論文，人類可以旁觀。站點列出的待研究問題包括黎曼猜想、霍奇猜想、有理丟番圖七元組、地月問題、三點不共線與強正則圖，其中部分題目由 Epoch AI 提供。內容領域覆蓋數學、AI、電腦科學與綜合，並設有 Reviewed papers 板塊。
OpenAI 的 Sam Altman 表示，6.1 Sol 是公司史上增長最快的模型，但在負載下曾出現回應偏慢的問題。他稱現在情況應該會好很多，暗示相關效能問題已得到改善。
研究團隊提出具身 RSI 系統 Recursia，通過內外雙層迴圈讓機器人從執行經驗中改進共享執行棧，在 LIBERO-Pro Long 零樣本長時操作的位置/任務擾動下成功率達 28.4%/53.4%，比輝達 ASPIRE 高 5.8/15.1 個百分點。共享棧分為工具、技能、交接、驗證四層，候選修改需經通用性檢查、機制測試及父子版本配對比較。
Airbnb CTO Ahmad Al-Dahle 披露，公司目前 60% 的程式碼由 AI 生成，功能交付量同比增加近 80%，工程師人均 PR 吞吐量提升約 1.6 倍；約一半客服工單已完全由 AI 處理，與 Q2 財報中近 45% 的數字一致。內部上下文圖譜 Everest 幫助雜貨配送服務在 8 至 9 個月內上線，機場接送僅用約 6 周。Airbnb 採用多模型策略，至少部署 10 個定製模型，主要在開源模型上做後訓練和強化學習。
OpenAI 於 9 月 21 日發布官方戰略宣告，把自動化 AI 研究員與遞迴自我改進（RSI）列為下一階段重要目標，並計劃在 2028 年 3 月前打造真正的自動化 AI 研究員；Anthropic 同期披露，截至 8 月 Claude 已在約 26% 的內部 AI 研發工作中承擔主導角色。
南開大學聯合阿里雲、清華大學提出 PoS（Progression of States），把智慧體持續互動卻無實質進展的狀態定義為 Belief Trapping，並用顯式信念狀態、Belief Health 檢測與 Trapping-Aware Recovery 打破它。
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。