OpenAI 公布内部前沿模型在数学开放问题上的新结果

OpenAI 发布其内部前沿模型在数学开放问题上的新结果，并在 GitHub 上共享 Lean 证明形式化文件与研究细节。

OpenAI 的 Tibo (@thsottiaux) 发文称其模型解决了一些重要的数学问题，团队已将成果整理成博客文章，链接为 openai.com/index/sharing-ai-…，并称这是科学进步的新时代。

OpenAI 发布了一个仓库，收录其下一代前沿模型解出的一系列数学问题的新解法。绝大多数结果由同一个未发布的 OpenAI 内部模型通过相同流程得到，平均每条结果使用了 3 小时 ChatGPT Pro 的思考算力，评测过程中该模型共被提出约 4,000 道题目。

OpenAI 宣布发布由其内部前沿模型产出的一系列新数学成果，称在发布过程中参考了普林斯顿高等研究院独立的数学与人工智能咨询小组的建议与公开建议，并给出开源仓库 github.com/openai/math。

Mistral 发布 Mistral Large 4 预览版：1 万亿参数、490 亿激活

Mistral 发布 Mistral Large 4 预览版，这是一个 1 万亿参数、490 亿激活参数的模型，在自家 3,800 块 NVIDIA Grace Blackwell GPU 集群上训练，通过其 API 提供，开放权重版本承诺本月底发布。

ALoDLM Adaptively Looped Diffusion Language Models paper: huggingface.co/papers/2610.0…

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI（Verified）上的成绩：ARC-AGI-2 为 72.9%，单任务成本 $0.13；ARC-AGI-1 为 94.5%，单任务成本 $0.07。相比 V4 Flash 的最佳成绩，ARC-AGI-1 提升 5.5 个百分点，ARC-AGI-2 提升 11.5 个百分点，但单任务成本高出约 250%。

- 排行榜：arcprize.org/leaderboard - 复现公开结果：github.com/arcprize/arc-agi-… - 测试政策：arcprize.org/policy - Grok 4.7 完整结果：arcprize.org/results/xai-gro…

ARC Prize 指出 Grok 4.7 的 reasoning token 用量与其 ARC-AGI-2 公开得分相关：low 档每次 test-pair 尝试平均约 10k tokens、得分 25%，medium 至 xhigh 档则为 86k 至 120k tokens、得分 57.5% 至 60%。作者认为 low 档较低的 token 用量或可解释其较低的得分。

ARC Prize 公布 Grok 4.7 在 ARC-AGI (Verified) 上的成绩：ARC-AGI-3 在 standard harness 下为 1.8%、$2.7k，在 provider adapter harness 下为 10.0%、$4.8k；ARC-AGI-2 为 61.4%、$2.01/task；ARC-AGI-1 为 90.2%、$0.64/task。与 Grok 4.6 相比，Grok 4.7 在 ARC-AGI-1 上得分更高，但在 ARC-AGI-2 和 3 上更低。

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。

Elvis Saravia 介绍 Meta AI 关于研究智能体如何决定下一步研究方向的论文 MIRA。该方法将智能体拆为外层元推理器与新执行器：外层读取持续研究记录并写下一份工作指令，执行器负责执行，决策只发生在工作指令边界，作者在这些点训练 critic 预测剩余收益，再训练单一 actor-critic（MIRA-AC）同时评估部分进展并选择下一步研究。

TechCrunch · AIAI 评分2323

TechCrunch Disrupt 2026 公布完整分论坛议程：AI agents、Physical AI、推理经济等议题

TechCrunch Disrupt 2026 于 10 月 13-15 日在旧金山 Moscone West 举行，公布完整分论坛议程，每场 50 分钟、含观众 Q&A，先到先得。

宣布 ARC Prize Research Summit 2026 研究演讲嘉宾 @alexisfox 是杜克大学的研究员，研究 AI 如何在更长时间跨度上进行推理，也是 PRO-LONG 的第一作者，该研究使用程序化记忆来支持长时程推理。

这个花了不少前期功夫。在我们自研算力上训练和部署，RL 没有饱和的迹象。

The DecoderAI 评分6666

Reflection 发布开源模型 Beam，主打低算力下的编码与智能体能力

AI 公司 Reflection 发布首个免费开放模型 Beam，采用 501B 总参数、每 token 激活 23B 的 MoE 架构，主打编码、逻辑推理和智能体任务，以更低算力对标 DeepSeek 和 Qwen 等中国开源模型。

AntLingAGI 发布推理模型 Ling 3.1 Flash，总参数 560B、激活参数 25B、上下文窗口 1M tokens，在 Artificial Analysis Intelligence Index v4.3 上得分 41，较 8 月发布的 Ling 3.0 Flash 的 20 分大幅提升。

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。

DAIR.AI 介绍一篇提出 PAIR 的论文，该方法从同一状态重放智能体、分别在有无压缩下对比，以定位上下文压缩对长程智能体的损害。

MIT 新论文指出，LLM 智能体在选择以简单步骤呈现、或规则的安全动作被明确说明时决策更好，被告知推理对手时反而更差。为人类竞拍者设计的市场设计经验法则可迁移到 LLM 智能体，无需另造提示词技巧；GPT-4o、Claude、Gemini 和 Gemma 在拍卖与匹配博弈中仍会压价竞标。

每一步都是 DJev 在 DiffusionGemma 上的一次前向传播，零 token 生成。 我们的开源引擎 DJev-serve 在 NVIDIA GB200 NVL72 和 B200 上将每个决策作为单个 CUDA graph 运行。

我们从机器人自身的日志中进化提示词，使用 SOTA LLM 智能体和人工监督。无需训练。对抗满技能的脚本对手，v1 每局皆输；不到两小时后的 v9，每局皆赢。

– arxiv.org/abs/2609.27717 Title: "SkillGym: Internalizing Human Skills into LLMs for Real-World Problem Solving"

作者认为 Beam 是值得关注的西方开放模型，其能力接近 GLM 5.2，但与 GLM 5.3、Kimi K3、DeepSeek V4.1 Flash 相比多项能力仍有差距。它主要靠推理效率争取竞争力，推理计算量只有 GLM 5.2 的 1/3–1/4。

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。

SemiAnalysis 解释 LLM 自回归生成机制：模型逐 token 预测下一个词，最后一层实为词表上的分类器，每步输出概率分布并采样。输出 token 价格是输入的 3-5 倍，因输入可并行处理，而输出需逐个生成，每步都要重读全部模型权重和 KV cache，属内存瓶颈。

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。

Reflection AI 发布开源模型 Beam，作者称其成为最强西方开源模型，以 3-4x 更少推理算力比肩 GLM-5.2。Beam 为稀疏 MoE 架构，501B 总参数、23B 激活参数，23.8T tokens 预训练，1M-token 有效上下文；RL 阶段用 10.5K GB300 GPU 训练 4 周。

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。

TechCrunch · AIAI 评分7474

Reflection 发布开源权重模型 Beam，称以更低成本对标中国模型

Reflection AI 发布首个前沿开源权重模型 Beam，称其在高级推理基准上比肩 Z.ai 的 GLM-5.2 等中国领先开源模型，且推理算力消耗低 3-4 倍。

Eoch AI 的新报告指出，按 API 列表价格计算，OpenAI 研究员的编码智能体用量大约每两个月翻一番；到 2026 年 8 月中旬，中位研究员每天消耗 $601、每年约 $2M，大致相当于雇佣一名研究员的成本。报告同时称这一增速大概率无法持续，再持续一年将达每位中位研究员约 $185M，且按牌价折算并不能反映 OpenAI 的实际支出。

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。

JEPA-Anything: 在不同世界中学习预测模型

达到 50 TPS 而非 30 TPS，同时拥有目前最优化的 tokenizer。而且这些模型在完成任务所需的 token 数量方面相当高效！

Qwen3.8 27B 本地模型英文单词加法评测：关闭推理准确率 23.57%，开启后 169 次答对 167 次

Simon Willison 在本地 DGX Spark 上用 Qwen3.8-27B-Q4_K_M.gguf 复现了 Colin Frasier 两年前用 GPT-4o 做的加法实验，让模型把正整数相加并仅用英文单词给出精确结果。

一篇 Harvard-MIT 论文发现，在拍卖与匹配市场场景中，给智能体加“提前规划”或“考虑其他玩家”这类提示词会使其整体表现变差。作者采用已知最优策略的设定，可对每次选择打分；真正有效的是改变界面，例如一次只呈现一个安全选项的升序拍卖在四个模型家族上都减少了出价错误，直接说明收益结构和为何如实出价是安全的也有帮助。

Fold2Reason：蛋白质折叠训练提升广泛推理能力 在 FoldingCorpus 上进行后训练，将 10 个推理基准的宏平均准确率从 45.09% 提升至 48.33%，结构预测能力提升 2.7–3.5 倍。

一篇 arXiv 论文提出 SelfSearch，让编码智能体反复改写自己的 harness（指令、工具与流程），用 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上达到 82.0%，搜索成本仅 $4.03，在同一设置下的九款 harness 公开对比中追平顶级的 Codex。