Anthropic STEM Fellows 项目利用 Claude 探索更高效的量子电路
Anthropic 报告称，Claude Mythos 5 通过其 STEM Fellows 项目，根据自然语言指令设计了量子电路。 这些电路优于目前已发表的最佳电路，有时提升一个数量级甚至更多。
全部动态 · 今日1条
#推理
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
论文
研究论文、技术报告、基准与数据集
Anthropic · X53
Artificial Analysis · X72 NVIDIA Vera Rubin NVL72 初步 AA-AgentPerf 测试结果出炉，与 GB300 NVL72 对比
Artificial Analysis 报告称，在 AA-AgentPerf 的初步测试结果中，NVIDIA Vera Rubin NVL72 在 DeepSeek V4 Pro 上的每兆瓦吞吐量最高可达 GB300 NVL72 的约 5.7 倍。其优势在单用户速度较快时最大；在测试的四款模型中，峰值吞吐量增幅为 1.14 倍至 1.45 倍。NVIDIA 提交的所有 Vera Rubin 测试结果均使用 TensorRT-LLM 和搭配 NVIDIA Dynamo 的 vLLM；该基准会重放真实的智能体编程会话，并测量每兆瓦实测 GPU 功耗对应的吞吐量以及每个智能体的输出速度。
Microsoft Research精选79 Microsoft Research 推出面向基于证明的通用计算的 Magnetar
Microsoft Research 推出 Magnetar，这是一种零知识虚拟机，使用仅基于标准哈希函数的安全机制来证明 RISC-V 程序的执行。它支持用 Rust、Go 或 C 编写的程序，无需开发者将其改写为密码学电路。Microsoft 报告称，在 15 个基准测试程序中，Magnetar 在同一台机器上的平均速度比现有最快的可比 zkVM 快 10 至 39 倍，证明验证时间约为 12 毫秒。
推荐理由：基准测试对比将证明速度与通用执行和标准哈希函数联系起来，阐明了限制可验证计算更广泛采用的权衡。
The Decoder精选81 GPT-6-Astra 每题花费 2.40 美元，解决了 50 道物理研究问题中的 49 道
GPT-6-Astra 在 OpenAI 的 Codex 环境中运行，未获得人类提示，解决了 TheoPhysEval 涵盖十一个理论物理子领域的 50 道题中的 49 道，总花费略低于 116 美元。Anthropic 的 Opus 5.5 得分为 92%，而两款模型在无法访问互联网时都达到了 92%。研究人员强调，该基准测试的是运用已知方法进行计算的能力；而选择有前景的研究问题，对当前的智能体来说仍是另一项挑战。
推荐理由：该基准区分了完成具体物理计算的熟练程度与选择有价值研究问题的能力，厘清了高分实际衡量的是科学工作中的哪些部分。
雷锋网精选84 上海人工智能实验室的书生-S2 助力证明三维 Ghys 猜想
徐迪生团队在一项人机协作中使用了上海人工智能实验室的书生-S2 模型，证明了三维 Ghys 猜想，相关预印本已发布在 arXiv 上。研究人员指导了七轮递归探索，问题图的节点数从 15 个扩展到 389 个。北京大学团队使用其 SHEAF 框架，将全部四个主要定理形式化，在约五天内生成约 55 万行 Lean 代码，并通过了 Lean 检查。
推荐理由：这种工作流程为研究数学提供了一种可迁移的方法：将专家指导与模型递归探索结合起来，并围绕由可检查证明任务构成的依赖图组织形式化验证。
Google Research78 Google 评估 Earth AI 地理空间智能体，并扩大实验性访问范围
Google 发布了一份技术报告，评估其处于实验阶段的 Geospatial Reasoning 智能体在四项基准测试中的表现，并通过 Ask Google Earth 和 Agent-to-Agent API 扩大早期访问范围。使用 Gemini 3.8 Flash 和 Gemini 3.1 Pro 进行的评估发现，专用 Earth AI 工具提升了空间推理能力，而预先规划有助于处理开放式工作流。Google 正在发布 GeoKTools 和 GeoExpertQueries 的开发划分数据集，但提醒称，GeoExpertQueries 评估的是对专家工作流程的遵循情况，而非最终答案的正确性，因此智能体的输出应作为草稿，由专家审核。
Artificial Analysis · X55 AA-AgentPerf 新增了 DeepSeek V4.1 Flash 在 NVIDIA 和 AMD 硬件上的基准测试
Artificial Analysis 将 DeepSeek V4.1 Flash 纳入 AA-AgentPerf。该基准测试工具会重放真实的智能体编程会话，并模拟提示缓存和工具调用延迟。按每位用户 100 tokens/s 的输出速度计算，GB300 以约 261M tokens/s per MW 领先，其次是约 220M 的 B300 和约 128M 的 MI355X。与 DeepSeek V4 Pro 0813 相比，V4.1 Flash 在 Artificial Analysis Intelligence Index 上得分为 39，而 V4 Pro 0813 为 36；在这一用户输出速度下，V4.1 Flash 的每 MW 吞吐量约为后者的 1.3 倍至 6.2 倍，具体取决于硬件。
雷锋网74 毛家源详解 IROS 2026 上的单次示范机器人学习与 83% 的真实场景泛化率
Leiphone 报道了毛家源在 IROS 2026 上的演讲，介绍了宾夕法尼亚大学、麻省理工学院和斯坦福大学在机器人学习与组合泛化方面的研究。RAPID 将编码智能体与物理验证相结合，只需一次人工示范即可学习复杂的非抓取任务。在另一项视频动作研究中，团队引入了 Temporal Ratio，用于衡量模型对未来帧与当前帧的关注程度；基于该指标的自适应引导，使真实双臂机器人在未见过的组合任务上的平均成功率从 71.8% 提高到 83%，且无需重新训练。
Artificial Analysis · X59 Artificial Analysis 推出决策指数，用于对比决策模型与语言模型的基准表现
Artificial Analysis 推出了 Decision Index v1.0，用于比较决策模型在分类、工具调用、知识和推理方面的能力、成本与速度。Jev 1.13 以 58 分领跑决策模型；Claude Haiku 5.5 (Low) 得分为 61，但每项任务耗时 1.4 秒，而决策模型耗时 0.13 秒；每百万项任务的成本为 184 美元，而决策模型为 42 美元。领先的决策模型在分类和工具调用方面表现与语言模型相当，但在知识和推理方面落后；在这两项任务中，它们给出的答案概率通常高于其准确率。
量子位精选80 GPT-6 Astra 帮助数学爱好者 nor 证明了五种圆内圆盘装填情形
QbitAI 报道称，数学爱好者 nor 使用 GPT-6 Astra 证明了在圆内装填 15、16、17、18 和 20 个单位圆盘时的最优性，从而完成了 N≤20 的剩余情形。该方法结合了几何约束、有限的计算枚举和精确的最优性论证。nor 表示，过程中有大量人工参与，包括引导模型、修复问题、手动验证有效性，以及使用 Astra 和 Opus 5.5 重新检查结果。
推荐理由：据报道，这种证明策略展示了几何约束如何将无限搜索空间缩减为有限情形，并通过刚性论证将计算排除与精确的最优性证明联系起来。
The Decoder66 Sakana AI 的自我改进模型在解题和评判方面表现更好，但无法发现自身的盲点
Sakana AI 和加州大学伯克利分校的研究人员推出了 MASS，这是一种利用 Qwen3.6-27B 的多个副本来解决任务、评估结果并优化工作流程的方法，无需更强大的教师模型。经过两轮优化，它在测试任务中相较于基础模型的胜率达到 69.9%，不过基准测试的提升很大程度上源于完成的工作更多，而且部分分数有所下降。由于存在共同盲点，有缺陷的结果得以通过评估并进入训练；研究人员因此建议进行独立检查、限制自主性，并明确干预条件。
The Decoder精选81 Google DeepMind 的 AlphaProof Nexus 在一项同行评审研究中解决了数十道未解数学问题
据《Science》发表的一项同行评审研究，Google DeepMind 的 AlphaProof Nexus 解决了数十道未解数学问题，其中包括 353 道未解 Erdős 问题中的 9 道，有两道问题已有 56 年未能解决。它还证明了 44 个 OEIS 猜想，解决了一道未解的代数几何问题，并改进了一个极小极大优化界。该系统以 Gemini 3.1 Pro 为基础，使用 Lean 撰写并修订证明，并根据检查器的反馈进行调整；对于更难的子问题，它还可以调用 AlphaProof，不过 DeepMind 报告称，这 9 道 Erdős 问题是在未使用该工具的情况下解决的。
推荐理由：DeepMind 采用同行评审，使其研究能与 OpenAI 在 GitHub 上发布 AI 证明的做法进行具体比较；目前，关于如何评估 AI 数学能力的讨论仍在继续。
量子位75 华为与伦敦大学学院的 Memento 3 通关 ARC-AGI-3 全部 25 款游戏，且未更新模型权重
华为诺亚方舟实验室、伦敦大学学院及合作者报告称，Memento 3 通关了 ARC-AGI-3 全部 25 款公开游戏和 183 个关卡，共使用 7518 次操作，比人类少约 56%，获得 100 RHAE 的分数。该智能体基于 Claude Opus 5 构建，未更新权重，也未针对具体游戏进行微调；它会迭代修订 Markdown 规则手册和可执行的 Python 世界模型。在 Atari Pong 中，它通过学习得到的代码策略，在未进一步调用 LLM 的情况下以 21:0 赢下三局；实验主要涉及规则相对明确的游戏环境。
The Decoder62 Vals AI 发现，智能体团队成本最高可达 5.1 倍，而质量提升甚微
评估公司 Vals AI 在 Vibe Code Bench 上测试了 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式运行，并采用中等和最高推理强度。团队的成本比单个智能体高出 1.8 倍至 5.1 倍，而在四组对比中只有一组显示出统计上显著的提升：GPT-6 Sol 在中等推理强度下，团队得分高出 7.3 分。在最高推理强度下，团队未能给任一模型带来真正的优势。
量子位71 何恺明团队发布用于多模态推理的 VISTA 视觉测试框架
何恺明团队发布了 VISTA，一种视觉原生测试框架，使现有多模态模型能够观察环境、将原始帧存储在上下文之外，并在推理过程中回忆、缩放或检查这些帧，而无需重新训练。搭配 VISTA，Claude Opus 5.0 完成了全部 25 个公开的 ARC-AGI-3 游戏，取得完美的 100 分动作效率得分，所用动作比人类首次游玩基线少 57.4%，而 GPT-5.6 Sol 得分为 99。该团队还测试了浏览器游戏、迷宫和连点成线任务，并将具身任务列为未来工作。
量子位精选88 OpenAI发布两篇Kakeya猜想手稿，将工作扩展至四维
10月7日，OpenAI发布了722份数学手稿，其中包括两篇关于Kakeya猜想的手稿：一篇97页的论文声称得到了比Wang和Zahl更强的三维极大函数结果，另一篇175页的论文声称解决四维Hausdorff维数情形。两篇均署名OpenAI，未经Lean形式化，也未经同行评审，且OpenAI的README称部分未形式化的结果可能存在缺陷。
推荐理由：文章梳理了两篇OpenAI手稿如何将Wang和Zahl的三维Kakeya工作扩展为更强的极大函数版本并推广至四维，同时指出这些证明缺乏同行评审。
量子位62 字节 Seed 找到 DeepSeek-V4 时强时弱的原因：分块 KV Cache 压缩带来相位敏感性
字节 Seed 团队发现 DeepSeek-V4 系列在长上下文检索中会随信息位置每隔 4 个 Token 周期性波动，128K 大海捞针测试中同一条信息换位置后准确率最高相差 40.2 个百分点。
腾讯混元 · X58 腾讯混元与高校发布用于评估 AI 探索能力的 ExplorationBench
来自腾讯混元、复旦大学和清华大学的研究人员发布了 ExplorationBench，这是一项用于衡量 AI 系统探索能力的基准测试。它采用两个可验证的沙盒：AlienCode 包含 31 项隐藏规则变更和 70 个任务，AlienLogic 包含 24 条修补后的推理规则和 70 个定理；评分由解释器或证明检查器完成，而非由大语言模型评判。在对 10 个前沿系统的测试中，反馈优于单纯思考；AlienCode 的最佳运行结果在四轮后达到 89.0%。
雷锋网36 研究了1933篇 IROS 2026 论文，机器人学出现六项新变化
IROS 2026 共收录 1933 篇论文，多标签统计显示 Robot Learning / Embodied AI 约 809 篇、Navigation / Planning 564 篇。
雷锋网28 IROS 2026 大奖揭晓：LT-Mem 长期记忆研究获最佳论文，人形机器人网球与端托盘双双获奖
IROS 2026 最佳论文奖颁给 Yumin Lee 等人的 LT-Mem，该研究用 Live Memory、Delta Memory、Meta Memory 三层结构和 Volatility 易变性概念，解决机器人长期运行中的时间性遗忘问题。
量子位58 何恺明团队提出 NAT-ARC：用 ImageNet 预训练让视觉模型解 ARC 挑战
何恺明团队提出纯视觉 ARC 解题方案 NAT-ARC，在 VARC 流程前插入 ImageNet MAE 预训练，最佳单模型在 ARC-1 上取得 63.4% pass@2，集成后达 70.2%。
NVIDIA AI · X38 AI 代理在任务初期犯了错，随后便沿着错误的方向继续执行。我们的研究人员开发了 PivotOPD，教代理如何避免这些错误，并在错误发生时恢复。在训练过程中，教师模型会向代理展示更好的行动，以及如何重新回到 https://t.co/7hMLMdExEH
AI 代理在任务初期犯了错，随后便沿着错误的方向继续执行。 我们的研究人员开发了 PivotOPD，教代理如何避免这些错误，并在错误发生时恢复。在训练过程中，教师模型会向代理展示更好的行动，以及如何重新回到 https://t.co/7hMLMdExEH
Hugging Face Blog精选62 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进的推理流程打造专项模型，在 IOI 2026 和 IMO 2026 均达到金牌线。
推荐理由：原文给出了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，读者可据此复用其数据与推理流程。
Latent Space精选88 OpenAI 内部模型发布 722 篇数学论文，宣称解决 500 个公开数学难题中的 90 个
OpenAI 通过博客、GitHub 仓库和推文发布了一批来自未公开内部前沿模型的数学成果，共 722 篇手稿、归入 372 个相关结果族，源自约 4000 个研究问题的评估，平均每个结果消耗约 3 小时 ChatGPT Pro 推理算力。
推荐理由：OpenAI 用内部模型批量产出数学结果，读者可据此了解这批成果的规模、算力成本与外界质疑。
量子位精选85 OpenAI 公开 722 篇数学手稿，涉及黎曼猜想、霍奇猜想与 BSD 猜想
OpenAI 公开了 722 篇数学手稿，归为 372 组结果，全部出自一个尚未发布的内部模型，论文、源码和部分 Lean 证明已上传 GitHub。内容涉及准黎曼猜想、霍奇猜想、BSD 猜想、π 的无理性指数等，横跨 17 个方向，OpenAI 称模型共尝试约 4000 个研究问题，平均每项结果算力约相当于 ChatGPT Pro 思考 3 小时。
推荐理由：OpenAI 一次性公开 722 篇数学手稿，覆盖多道千禧难题方向，同时呈现数学界对核验与阅读负担的质疑。
Greg Brockman · X精选70 OpenAI 发布内部前沿模型产出的一批数学结果
OpenAI 发布了一批由内部前沿模型产出的新数学结果，相关代码与结果已放在 github.com/openai/math。OpenAI 表示在发布方式上咨询了普林斯顿高等研究院数学与人工智能独立顾问组，并参考了其建议与公开推荐。Greg Brockman 转发该消息，称其指向加速科学发现并改善所有人的生活质量。
推荐理由：OpenAI 公开一批由内部前沿模型产出的数学结果，并说明发布方式参考了外部顾问组的建议。
OpenAI News精选62 OpenAI 公布内部前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 证明形式化与研究细节。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并同步放出 Lean 证明形式化，可看模型推理与形式化验证的结合方式。
OpenAI · X62 OpenAI 发布内部前沿模型产出的数学结果
OpenAI 发布一批由内部前沿模型产出的数学结果，相关代码与内容托管在 github.com/openai/math。OpenAI 表示在发布过程中咨询了普林斯顿高等研究院数学与人工智能独立顾问组，并参考其建议和公开推荐来确定发布方式。
Simon Willison22 Qwen3.8 27B 用英文单词做加法的基准测试
一项基准测试用 5,070 个禁用推理的案例，检验本地 Qwen3.8-27B-Q4_K_M.gguf 能否只用英文单词完成正整数加法并给出精确结果，其数字准确率为 23.57%，格式合规率 96.17%。准确率随位数增加从一至三位数的 97.04% 降至十至十三位数的 6.44%；在 169 个启用中等推理的配对案例中，模型答对 167 个。
AI at Meta · X精选66 Meta 发布六篇数学家与 Muse Spark 协作论文
Meta 表示，在 AI 模型于数学、物理、化学五项竞赛取得金牌级表现后，其让数学家通过 meta.ai 聊天界面与 Muse Spark 1.1 和 1.2 的 Thinking Mode 协作，在无定制研究脚手架的情况下求解尚无现成路径的开放问题。
推荐理由：Meta 公开六篇由数学家与 Muse Spark 协作完成的开放问题论文，并说明人机分工与评审流程。
Ars Technica · AI62 Ataraxos 以 16 块 GPU 击败史上最强 Stratego 人类选手
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平击败被视为史上最强的 Stratego 选手 Pim Niemeijer，训练仅用 16 块 GPU、花费几千美元。
量子位62 何恺明团队提出NAT-ARC：用ImageNet预训练让纯视觉方案解ARC
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet上的MAE预训练encoder再迁移到抽象格子推理。表现最好的单模型为0.6B参数量，在ARC-1上取得63.4% pass@2，集成后达70.2%，约为专用LLM方案The ARChitects（8B模型、71.6%）四分之一的参数量。
The Decoder71 Ataraxos 击败 Stratego 最强人类选手，算力成本仅为 DeepNash 的约五百分之一
研究团队开发的 Ataraxos 在 Stratego 对局中以 85% 的有效胜率击败史上最强选手 Niemeijer，终结了人类在这款不完美信息棋类游戏中的优势。
腾讯混元 · X45 腾讯混元、复旦大学和清华大学发布 AI 探索能力基准 ExplorationBench
腾讯混元、复旦大学和清华大学的研究人员发布了 ExplorationBench，这是一项基准测试，通过考察 AI 系统能否发现陌生规则来衡量其探索能力。它使用两个可验证的“异世界”：AlienCode（31 次隐藏规则变更，70 项任务）和 AlienLogic（24 条经过修改的推理规则，70 个定理），并由解释器或证明检查器评分，不使用 LLM 评审。在对 10 个前沿 AI 系统的测试中，反馈优于单纯思考，而且两个异世界之间的排名几乎无法迁移。
Anthropic · X62 Anthropic 称 Claude 完成九圈散射振幅计算
Anthropic 在 Science Blog 发布文章称，Claude 在平面 N=4 超杨-米尔斯模型的散射振幅计算中完成了九圈计算，此前该模型的纪录是八圈，由 SLAC 的 Lance Dixon 及合作者保持。
Google Research36 Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型绕过推理瓶颈，加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，通过离线 RL 发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归生成完整结果集，无需 CoT 推理 token。该方法在 Gemma3-4B 和 Qwen3-4B 上微调扇出语言模型，以集合级属性奖励缓解零样本 LLM 的同义复述坍缩与自回归延迟瓶颈。
OpenAI News22 OpenAI 分享 AI 生成的 Navier–Stokes 千禧年大奖难题解答
OpenAI 分享了一份由 AI 生成的 Navier–Stokes 千禧年大奖难题解答，包含一份文字说明和一份 Lean 形式化证明。
Hugging Face Blog精选60 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 9 项基准中 7 项超过其 bfloat16 原版
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 检查点蒸馏。
推荐理由：论文给出压缩加量化后从原始模型蒸馏的修复配方，并附与 QAT 的稳定性对比数据。
Import AI38 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench（Discovery in Games），包含 70 款隐藏规则的游戏，用于测试 AI 通过探索推断环境规则的能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 完成 0.2 的任务，远逊于人类 100% 的成功率。
Microsoft Research36 MindTopo 揭示多模态大模型的空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与绳结五类关系，并分为静态推理与交互规划两个层级。测试显示，当前模型在静态识别上明显强于交互规划，且两者均远低于人类水平，失败多出现在规划阶段而非感知阶段。图像与视频生成仅在单帧内保留拓扑关系时有用，跨多步操作时仍不可靠。