Artificial Analysis 指出，生成更多输出 token 不一定带来更高得分：GPT-6 Astra (max) 每任务约 81k 输出 token 得分 8.6%，不到 Grok 4.7 (xhigh) 约 180k 输出 token 的一半。三个 Claude 模型每任务输出 token 最多（约 202k 到 562k），得分在 2.8% 到 6.4% 之间。

有意思的是，鉴于 OpenAI 发布一系列证明所引发的争议，以及这对数学学科意味着什么，至少部分 OpenAI 的证明似乎已经引发了广泛协作社区极其快速的迭代式进展。

The Association for Human Mathematics (AHM) 批评 OpenAI 昨日发布的 722 篇数学论文手稿，并呼吁数学家停止与 OpenAI 合作。Terence Tao 在其博客转发了 AHM 的声明。作者对此评论称，退出不是科学立场。

数学将从这里开始以惊人的速度发展。 研究人员在几小时内就能发现新方法/新证明。 这是一种相乘超长数字的新方法，比之前最好的理论允许的少浪费一点精力。

Ethan Mollick 转发了数学家面对 OpenAI 发布的数百个重大 AI 证明时的一些早期第一手回应，涉及遭遇一种狭窄的超人智能的体验。他提到这些问题以非人的方式被解决，引发人们思考真正理解事物意味着什么，并附上 scottaaronson.blog/?p=10169 的链接。

Grok @Bot will use whatever achieves the best outcome for users. Simple questions will route to small, fast models. Questions with complex answers will route to large models.

LLMs 有很多可以 scale 的维度。 但 OpenAI 最近的拉垮告诉我们，verifier scaling 目前看来是最无聊，最慢，用户体验感最差的一种 scale 方式。

两届奥斯卡得主 Ben Affleck 解释了基于 Transformer 的 AI 与经典计算的不同。 经典软件是确定性的，而这些模型通过"将信息通过注意力层"来生成答案并推断输出。 ---- 完整视频在 "One More Question and GQ" YouTube 频道，（链接在评论中）

Simon Willison 引述 Jake Boggan：Barnette 猜想被证明，我花了 24 年研究它

Jake Boggan 在 Hacker News 上评论称，他研究了 24 年的 Barnette 猜想据称已被证明（problem 180），令他心情复杂。他曾在布达佩斯学习图论，为该问题投入数千小时，去年夏天一度以为自己解开了它。

两年前的2024年，我们还在嘲笑GPT-4o把“Is 9.9 > 9.11?”答得离谱地错。 现在感觉所有最难的数学题都将被AI解决。 我们正生活在多么疯狂的时代。

一篇由包括Geoffrey Hinton和Yoshua Bengio在内的20多位专家撰写的政策论文，呼吁各国政府开始追踪AI研究中已有多少由AI自主完成。

重新表述：G 是从数学 + 代码 RLVR 中"涌现"的吗？还是你只获得了更高的数学 + 代码技能，而没有其他任何东西？ 也许 G 是一种技能，它与数学 + 代码问题求解同构？

Francois Chollet 提出假设：AI 的"锯齿状前沿"可能主要集中在数学与代码，可通过 RLVR 无限推进，而其他领域因受限于人类生成数据将趋于平台期。他指出非可验证领域的模型性能虽仍在稳步提升，但远慢于数学与代码，其提升究竟源于 RLVR 带来的更高 G，还是仅取决于持续注入的新人类数据，尚无定论。这一问题的答案将影响 AI 发展的诸多判断。

OpenAI 发布 Openai/math，似乎表明数学或一切可被 verify 的问题已被其解决。作者吐槽强大的 OpenAI 耗尽了自己 Pro 的所有 token，完全偏离主线任务，开启无数 subagent 做毫无意义的测试。作者由此感叹：一切都是为了 verify 而 verify。

在 AI 数学领域，瓶颈已从寻找证明转向检查证明。形式化验证和专家评审如今是稀缺的输入。

Microsoft Research 播客访谈：AI 评测中的意外失败与应对之道

Microsoft Research 播客中，主持人 Chad Atalla 与 Microsoft 合作研究经理、Purdue 教授 Jennifer Neville 对谈，讨论评测如何推动当今 AI 系统性能边界，以及模型在传统基准之外测试时出现的意外失败。

FT刊发一篇由蒙特利尔大学计算机科学教授Yoshua Bengio署名的文章，将Hugging Face和澳大利亚Medicare门户遭遇的AI智能体黑客攻击归因于强化学习。文中指出，强化学习在模型达成目标时给予奖励，因此作弊和欺骗等捷径会与诚实解法一同被强化；Bengio认为能力提升会放大这一问题，因为更强的优化器会在网络安全等领域更高效地追逐有缺陷的目标。

Perplexity CEO Aravind Srinivas 在 20VC with Harry Stebbings 播客中表示，Meta 等公司有工程师每年在编码工具上花费约 $10 million，Perplexity Computer 上有用户月花费超过 $10,000，业务依赖运行在这些 harness 中的 agent loops。

和 Jev 一样，我相信 RL 将解锁更多这样的成果，大幅降低关键智能体操作的成本。 flow-1 性能有竞争力，同时在查找智能体 trace 中的故障方面能大幅节省成本。 RSI 不仅适用于通用智能体智能，它同样会加速专用智能体智能。

SemiAnalysis 发文介绍 TypeSafe AI 新模型 Jev，它以 $0.03/M 输入 token、输出免费的价格和效率速度受到关注。Jev 与 LLM 的不同在于返回带校准概率的类型化答案，同时通过在预训练模型上用 Reinforcement Learning for Calibrated Decisions (RLCD) 后训练保留了 LLM 的世界知识。

The Verge · AIAI 评分6464

The Verge：AI 收购数学领域的争议全景

The Verge 发文梳理过去一年 OpenAI、Anthropic 等实验室在长期未解数学问题上宣布的突破，包括解决一个著名的 Millennium Prize 问题，以及这些结果在学界引发的反弹。

Elvis Saravia 表示很高兴看到更多有能力的实验室训练开放权重模型，并提到 Reflection 新推出的 Beam 模型在推理效率上表现强劲，认为这对长时运行的智能体很重要。该模型的推理效率相比 GLM 5.2 等对手好 3-4x，被定位为有力的西方开放权重选项。

Maluuba 团队创立的 Skyfall AI 正在构建能预测企业在每次决策后如何变化的世界模型，其创始人认为 LLM 过去 5 年主要靠堆数据、算力和模型规模进步，不适合承担这一任务。他们指出当前模型长时程规划能力差、需要海量数据，且在现实条件变化时容易失效。世界模型通过学习因果关系来弥补这些弱点，让智能体可在模拟中先预演行动再实际执行。

Ethan Mollick 表示，尽管他当晚对 OpenAI 的一些选择有所批评，但正面来看，目前仍没有能与 GPT-6 Pro 相比的模型，此前的 Pro 系列模型也是如此。他提到 GPT-6 Pro 既能一次性完成非常困难的任务，又能相当好地沟通结果。

Rohan Paul 转发 Yann LeCun 在 ETH Zürich 的最新演讲片段，LeCun 建议学术界不要研究 LLM，认为在这方面没有可贡献的空间；若想在 AI 上取得真正进展、做面向现实世界的 grounded AI 或 physical AI，也不应研究 LLM 和生成模型。他表示这番言论让他在硅谷不受欢迎。内容出自 Perfology Clips YouTube 频道。

不，AI 并没有刚刚解决 Navier-Stokes 方程。 那它到底做了什么？

Elvis Saravia 推荐一篇论文，其核心发现是配备轻量推理框架的预训练大语言模型即可充当能力足够的智能体，在测试时预算充足的情况下甚至能超越经过后训练的对应模型。

Yann LeCun 讲解 LLM 之后：大语言模型足以实现人类级智能吗

NYU 教授 Yann LeCun 在视频中讲解 LLM 之后的技术路线，并讨论大语言模型是否足以实现人类级智能。该内容为 Rohan Paul 转推中附带的完整视频链接。

Cerebras CEO 解释晶圆级架构为何在 LLM 推理中比 GPU 快 2500 倍

Cerebras 联合创始人兼 CEO Andrew Feldman 解释，其晶圆级架构在 LLM 推理的 decode 阶段比 GPU 快约 2500 倍。

Kevin Buzzard（IMO 满分、数论学家、Lean 形式化数学先驱）写了一篇非常有深度的文章 如果数学不只是关于"人类理解"，那它关于什么？ 如果 AI 能力持续指数级增长，而"数学是无限的"，会发生什么？

latent.space 撰文介绍 MIT 的 a1zhang 对递归语言模型（RLM）的解读：Claude Code、Codex 和 Pi 本质相同，RLM 通过代码、上下文外置与递归子智能体实现跨任务泛化，有时一位专家可替代万亿 token 的暴力搜索。

Francois Chollet 指出，基础 LLM（2024 年及更早）与现代 LRM 的关键区别不在于符号工具使用，而在于从传导范式（直接直觉出查询的答案）转向归纳范式（直觉出产生答案的程序或指令）。

GPU 是印钞机吗？ IngramX 团队解析了 Engram 内存卸载、AgentX 的利润计算器、TPU v7、Vera Rubin 与 Blackwell 的对比，以及更快的 token 是否值得溢价。 此外：TileRT 正在进一步挖掘 NVIDIA GPU 的潜力。这对专用芯片意味着什么？ Jordan Nanos (@JordanNanos) 与 Cam Quilici (@noslawextratost)、Bryan Shan 和 Alec Ibarra 一起带来新一期 SemiAnalysis Weekly。

Repovive 联合 IOI、IMO、ICPC 决赛选手团队评测其 AI 数学评审，从首场数学竞赛中选出 534 份可疑或临界提交，建立统一评分标准与专家参考判定，再对比不同评分指令下各模型的表现。核心问题是模型能否可靠理解并核查高难度数学证明。结果显示在全部竞赛提交上模型准确率更高。

如果这个月只能读一篇文章，就是这篇！ 如果自动化 AI 研发会引发智能爆炸呢？

MIT Technology Review · AIAI 评分3838

别被迷惑——LLM 并不会推理

前 Google DeepMind 研究员指出，LLM 靠逐个预测 token 生成答案，其思维链仍由同一套下一 token 预测产生，并非 AlphaGo 那种独立搜索机制，因此不构成真正的推理。他列举三大缺陷：模型没有显式可检查的认知状态、知识与推理在权重中纠缠不清、思维链常是事后编造。为此他离开 Google DeepMind，主张借鉴 AlphaGo 架构，让系统维护可更新的认知状态。

Latent SpaceAI 评分2828

MIT 的 Alex Zhang 谈 RLM、GPU Kernel 与智能体集群研究

MIT 的 Alex Zhang 在 Latent Space 播客中介绍了其递归语言模型（RLM）研究，基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。

Anthropic Science Blog 发布客座文章，哈佛物理学家 Matthew Schwartz 提出 AI 与科学之间存在类似物理阻抗失配的问题：LLM 能力很强，但像对待人类协作者那样使用它并非激发其科学潜力的最佳方式。

模型越来越聪明，但 harness 并不会消失。 它的职责从替模型做决定，转变为给模型提供选项。 在 Replit Agent 中，主智能体决定何时深入思考、何时将工作交给子智能体，以及子智能体应投入多少精力。

ARC Prize 发文称，19 个月内达到 ARC-AGI-1 75% 分数的成本下降 99.95%，从 o3-preview 的 $26/task 降至 DeepSeek V4 Flash 的 $0.01/task。在 ARC-AGI-2 上，6 个月内成本下降 99.44%，从 Gemini 3 Deep Think 的 $13.62/task 降至 Dots3-Note Preview 的 $0.08/task。