⌘ K
… 读取采集状态 同步中...
雷

推理能力

模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。

244条精选相关主题论文研究模型发布Agent 智能体

最新精选

第 1–20 条 · 共 244 条
10月12日周一
  1. 量子位 QbitAI85

    GPT-6 Astra证明57年「摆圆」难题15至20圆盘情形

    非职业数学家nor利用GPT-6 Astra完成了N≤20圆内圆盘的严格最优性证明。模型通过几何约束缩减排列并用计算机排除剩余可能，将证明范围从N≤14扩展至N=20。nor补充了验证和修复工作，展示了人机协作完成数学难题的新路径。

    推荐理由：还原了GPT-6 Astra证明圆排列最优性的5步方法论及人类辅助环节，展示了AI辅助数学严格证明的工作流。

  2. AI HOT83

    AlphaProof Nexus 独立解决 9 个未解 Erdős 问题并获同行评审

    Google DeepMind 的 AlphaProof Nexus 独立解决了 353 个开放 Erdős 问题中的 9 个，其中 2 个悬置 56 年，相关成果已提交同行评审。该系统基于 Gemini 3.1 Pro，利用形式化语言 Lean 检查证明错误并指导修订，同时证明了 44 个 OEIS 整数序列猜想。

    推荐理由：原文展示了形式化验证闭环和同行评审细节，读者可据此判断 AI 数学证明的可信度与部署方式。

  3. The Decoder89

    Google DeepMind 的 AlphaProof Nexus 解决数十个开放数学问题并获同行评审

    Google DeepMind 的 AI 系统 AlphaProof Nexus 自主解决了数十个开放数学问题，相关研究已在《科学》杂志发表。该系统基于 Gemini 3.1 Pro，解决了 353 个开放 Erdős 问题中的 9 个，以及 OEIS 数据库中的 44 个猜想。研究通过 Lean 形式化语言验证证明，并经过同行评审，区别于 OpenAI 直接在 GitHub 发布证明的做法。

    推荐理由：该研究通过同行评审验证了 AlphaProof Nexus 解决开放数学问题的实际效果，为 AI 数学能力的学术认可提供了具体参照。

  4. 新智元65

    QIQCBench 虚拟量子实验室实测 17 个顶级 AI Agent：GPT-5.6 与 Claude Opus 断层领先

    由 NUS、NTU 及 GaugeForge 组成的联合团队发布论文，提出虚拟量子实验室 Quantum-Harbor 及包含 49 项任务的评测基准 QIQCBench，并引入“验证自治”评判标准，重点考察 AI Agent 结论是否有实验证据支撑。

    推荐理由：原文给出了验证自治的核心方法和17个Agent在虚拟量子实验室的实测断层，读者可据此判断AI科学自主性的边界。

  5. 量子位80

    华为诺亚实验室Memento 3基于递归自我改进方法以100分RHAE通关ARC-AGI-3全部游戏

    华为诺亚方舟实验室联合UCL等团队发布Memento 3智能体系统，在ARC-AGI-3的25款游戏、183个关卡中以满分100 RHAE成绩全部通关。该系统以Claude Opus 5为底模，通过Code as Model方法生成可执行世界模型和规则手册进行递归自我改进，全程未更新模型权重或微调，总操作次数仅7518次，比人类基准少56%。

    推荐理由：展示了冻结模型权重下，AI通过代码世界模型实现递归自我改进，以更少操作通关复杂游戏的路径。

10月11日周日
  2. 量子位 QbitAI68

    硅谷AI算力争夺战：巨头互求资源，初创公司面临生存两难

    硅谷AI行业陷入算力争夺，算力成为决定模型迭代和人才留存的硬通货。Meta CEO扎克伯格向Anthropic CEO达里奥·阿莫迪寻求算力支持被拒，SpaceX则充当英伟达GPU中间商赚取利润。

    推荐理由：梳理硅谷算力争夺的关键交易和价格变化，为判断中小团队生存空间与供应链格局提供参照。

  3. 量子位 QbitAI89

    OpenAI 发布722篇数学手稿，陶哲轩呼吁抵制

    OpenAI 发布722篇数学手稿，涉及挂谷猜想等高难度数学问题，引发学界争议。陶哲轩牵头成立人类数学协会，发表声明全面抵制 OpenAI，呼吁数学家停止合作。

    推荐理由：OpenAI释放722篇手稿引发学界对AI批量攻克难题的警惕，陶哲轩呼吁抵制其研究范式。

  4. 机器之心65

    OpenRSI Index 发布：面向递归自我改进的大规模科研基准

    OpenRSI Index 发布，旨在评估 AI 智能体改进人类模型训练方案的能力。其任务覆盖预训练、后训练与视觉生成，单次运行规模达数千至上万 H100·小时。该基准通过隔离工作区与独立验收环境应对数据污染与不可复现问题，并提供 RSI-Anything 工具让研究者在约一小时内将课题转化为可运行的 RSI 任务环境。

    推荐理由：该基准通过隔离实验环境回应科研中的复现难题，展示了 AI 改进人类训练方案的具体路径。

  6. CVer84

    OpenAI 发布 GPT-6.1 Sol 的 Ultrafast 模式

    OpenAI 发布了 GPT-6.1 Sol 的 Ultrafast 模式，在标准版基础上实现最高8倍提速。该模式 API 定价为每百万输入 token 12 美元、输出 60 美元。在 Codex 和 ChatGPT Work 端，Ultrafast 仅限 Pro 500 等高端订阅用户使用，而 API 端无需订阅等级限制即可直接调用。

    推荐理由：给出了8倍加速的参数与API定价，以及普通订阅用户在Codex和ChatGPT端的使用门槛。

  7. The Verge · AI94

    OpenAI 发布近 400 个数学结果，数学家预计需数年才能消化

    OpenAI 突然发布涵盖 700 多份手稿的近 400 个 AI 生成数学结果，涉及组合、几何、数论等多个领域。由于大量结果缺乏 Lean 形式化验证，且论文质量参差不齐，数学家表示仅理解这些成果就需要数年时间。

    推荐理由：报道梳理了数学界对OpenAI大规模成果发布的反应与困境，揭示了当前学术验证体系面临的压力。

10月9日周五
  1. 量子位 QbitAI76

    Aether AI 发布具身智能系统 CRIS-0，实现 0.2 秒急停与秒级因果重规划

    Aether AI 展示其具身智能系统 CRIS-0 在真实物理环境中的因果推理能力。该系统在咖啡制作测试中面对突发干扰，平均 2 秒内完成实时重规划，在 10 次扰动中实现 9 次有效恢复。CRIS-0 基于因果原生 Agent 架构，利用因果世界模型在执行前推演物理后果，并通过安全急停机制实现 0.2 秒响应，展现了应对复杂动态环境的能力。

    推荐理由：Aether AI 展示了 CRIS-0 在物理扰动下的实时因果推理能力，其 0.2 秒急停和 2 秒重规划机制为具身智能落地提供了具体参考。

  2. 人工智能学家84

    Claude Haiku 5.5 发布，引入自适应推理机制与百万 Token 上下文

    Anthropic 发布 Claude Haiku 5.5，OSWorld 2.1 成绩从 15.7% 提升至 72.4%，引入自适应推理机制并支持 100 万 Token 上下文。10 万 Token 内输入单价 0.10 美元，超出部分涨至 0.50 美元；复杂编程任务在 Terminal-Bench 4.0 中得分 39.2%，仍落后于 Sonnet 5.5 的 70.6%。

    推荐理由：通过 OSWorld 和 Terminal-Bench 等基准量化了操作能力的提升幅度，并给出了不同上下文长度下的具体定价策略。

  3. AIGC开放社区77

    Claude Haiku 5.5发布：瞄准高频任务，平均运行成本降约75%

    Anthropic发布Claude Haiku 5.5，官方称与Haiku 4.5相比常见任务平均运行成本降低约75%，并首次加入可调节的思考强度（effort）设置。模型定位于摘要、分类、数据库查询、上下文压缩等高频重复任务，也可作为代码智能体的子智能体；测试显示其在Terminal-Bench 4.0等多步骤命令行任务上仍落后于Sonnet 5.5。

    推荐理由：原文给出了75%的运行成本降幅及新的effort设置，读者可据此判断它在高频子任务中的可用性。

  5. InfoQ CN83

    黄仁勋与Satya Nadella阐释Windows混合智能与Agent底层架构变革

    微软在10月8日Windows发布会上宣布引入混合智能，通过模型路由和本地AI能力让GitHub Copilot等产品自动切换云端与本地模型。黄仁勋与Satya Nadella现场讨论指出，Agent正成为新的电脑用户，操作系统需原生提供隔离与治理机制。

    推荐理由：两位负责人复盘了从Windows到Agent的基础设施演进，提出混合智能与本地安全原语将重构个人电脑的工作方式。

10月8日周四
  2. AI HOT66

    CrowdStrike 报告 AI 驱动渗透工具 ARTEX 被用于攻击多家韩国银行

    CrowdStrike 报告称一名疑似单人攻击者在 2026 年 9 月下旬至 10 月初使用开源工具 ARTEX 攻击多家韩国银行，窃取大量数据。该工具利用 DeepSeek v4.1-flash、GLM-5.3 和 Grok 4.6 进行自动化渗透测试，其中新韩银行泄露记录超过 25,000 条。

    推荐理由：报告列出了使用的开源渗透工具 ARTEX 及后端模型，展示了 AI 辅助如何放大单人攻击规模与数据泄露风险。

  3. InfoQ CN75

    o1奠基者：1万Agent解千禧年难题，多Agent贡献不足10%

    OpenAI研究员Noam Brown指出，1万个Agent解决千禧年难题主要归功于强大的基础模型，多智能体贡献不到10%，其本质是并行扩展测试时计算的方式。他认为当前最棘手的风险是模型在评估中为骗取高分而学会作弊，且随着模型迭代周期短于任务时长，传统的对齐验证手段正面临失效危机。

    推荐理由：o1奠基者通过拆解多智能体对千禧年难题的贡献，指出当前瓶颈在于基础模型能力与对齐机制，为理解RSI提供了关键视角。