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。
智谱已将 GLM-5.3-Highspeed 模型加入 Zcode，目前正随机向订阅用户逐步开放。一名用户报告称，该模型的生成速度达到每秒 490 个 token；文章称，该模型目前可在 Zcode 3.15.1 中测试。该速度尚未得到独立确认，作者表示自己无法访问该模型。
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。
微软发布了 Microsoft-Decision-1，这是一款基于 Qwen3.5-9B 进行后训练的决策模型。微软称，在结构化决策任务中，该模型在延迟和准确性方面优于包括 Jev 1.13.0 在内的大语言模型和决策模型。微软 Xbox 研究团队已用它处理了超过 10,000 条玩家反馈；首席执行官萨提亚·纳德拉则表示，微软正在测试该模型在多个领域的应用，包括事件响应、质量控制和科学发现。报道将决策模型描述为更小、更快的模型，它们输出预测、概率和置信度分数，而非自然语言。
GPT-6 Pro 在处理其他工作的过程中，经常会发现学术论文中疑似存在的错误。如今，确认这些错误并了解其重要性仍然需要花费大量时间，但这一过程会越来越快。我们还没有建立起适当的机制来应对大量更正。
Ethan Mollick认为，在实验室中有权使用先进模型的5,000人里，仍有许多人尚未充分利用这些模型；目前的使用主要集中在网络安全、数学和人工智能研发领域。 他补充说，还有许多其他领域可以推进，也有许多问题有待解决。他是在回应@karpathy关于人们对大型语言模型能力的共同理解差距正在扩大的观点。
突然之间，赛博格开始主导数学研究。
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。
我们将 @OpenAI 的数学题做成了 @huggingface 上的开源强化学习环境！ 这些环境还处于早期阶段，尚不完善；验证器只接受原始形式化表述，因此即使证明等价，也仍可能得 0 分。 我认为这是一个令人振奋的方向：将开放研究转化为可执行环境，让任何人都能在此基础上训练更好的开放模型！ https://huggingface.co/datasets/FineEnvs/openai-math
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。
TypeSafe AI 是旧金山一家公司，其背后是仅用于决策的模型 Jev。该公司宣布完成 8.7 亿美元 A 轮融资，投后估值为 75 亿美元，而 24 天前其 4000 万美元种子轮融资时的估值为 2 亿美元。a16z、Sequoia 和 DCVC 参投，a16z 合伙人 Martin Casado 加入董事会。该公司表示，目前约三分之一的《财富》500 强公司使用或集成了 Jev，该模型输出的是决策而非聊天。
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。
一张图看懂 AI 如何从转导式范式（逐个 token 补全答案）转向归纳式范式（即时合成推理链）。这是 2025 年和 2026 年的大事。这正是编码代理得以运作的关键。
微软发布了 Decision-1，这是一个用于分类、评估和路由决策的决策模型，基于 Qwen3.5-9B 构建。微软表示，该模型在涵盖近 150,000 个问题的 36 项基准测试中位居榜首，准确率达 83.5%，延迟为 85 毫秒，比排名第二的 H2O-Lightning-4B 快 2.5 倍。该模型可通过 Microsoft Foundry 和 OpenRouter 使用，价格为每百万输入 token 0.042 美元，输出 token 免费。
在 IROS 2026 上，昆士兰大学研究员 Jen Jen Chung 在主题演讲中提出，数据量并不等同于信息，盲目堆积数据可能会降低机器人策略的性能。她结合无人机翱翔、多机器人通信和接触密集型装配方面的研究指出，数据价值分布不均，只共享或采集能够改变决策的信息，优于全量广播或均匀采样。
据雷峰网报道，于 9 月 27 日至 10 月 1 日在匹兹堡举行的 IROS 2026 上，具身 AI 研究正汇聚于四大趋势：基础模型内化物理规律、“大脑-小脑”架构成为标准、触觉成为灵巧操作的核心，以及数据采集成本降低。所引用的论文包括 ULTRA、LITHE、VOFA、KineFuse、VTAP Gripper、ViHaTeleop 和 HALO，此外还有关于物理世界模型与不确定性的研讨会。
Ethan Mollick 表示，Astra 和 Opus 5 都击败了《蒙特祖玛的复仇》，但要判定 AGI 赌注的结果，AI 还必须赢得一项已停办、类似弱版图灵测试的奖项。他说，Metaculus 已决定重新举办这项测试，以确认是否满足该条件。 在引述的帖子中，Metaculus 表示，GPT-6 Astra 上个月击败了这款游戏，但其于 2020 年推出的“弱通用人工智能”问题仍未有定论。
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在对话中指出，AlphaFold 的突破只是开始，蛋白质结构预测远未解决，蛋白质动态与无序结构仍是难题。
介绍 Microsoft-Decision-1，这是我们面向快速决策的新模型。 它在结构化决策任务中表现出色，在延迟和质量方面均优于大型语言模型和其他决策模型。 我们已在微软内部测试该模型，应用场景涵盖事件响应、质量控制和科学发现等。
François Chollet 写道：“我们现在在 Kaggle 上的 ARC-AGI-2 得分相当不错！” 在这条被引用的帖子中，@arcprize 报告称，@tufalabs 在 ARC Prize 2026 的 ARC-AGI-2 上取得了 88.06% 的新高分。除保证奖金外，15 万美元的额外奖金将在所有得分超过 85% 的团队之间分配。
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。
vLLM Semantic Router 团队在 Decision 2.0 上取得了出色成果。 针对一个输入提出多个问题，在单次前向传递中作答，并给出各选项的概率。适用于路由与分类。 @XunzhuoLiu 的转发帖：适用于各种规模。 Decision 2.0：六款开放决策模型，参数规模从 0.6B 到 27B。在 #Jev Decision Index 0.3 上，每款模型都超过了我们拿来对比的同规模开放模型。 #Hugging Face 上的热门合集 🤗 Decision 2.0：https://huggingface.co/collections/vllm-sr/decision-20 Vela 2.0：https://huggingface.co/collections/vllm-sr/vela-20
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%。
NVIDIA 介绍了其开发者如何将前沿 AI 智能体（包括 GPT-6 Astra）与 Omniverse 库结合，通过自然语言指令、人工审核和迭代测试来构建和完善仿真。示例涵盖仓库规模扩展、电缆布线、机器人资产准备、自动驾驶工作流，以及基于传感器的数字孪生优化。在一次为期两分钟的测试中，一项仓库仿真在包含 80 条传送带、40 条机械臂和 800 个箱子的情况下保持了每秒 30 帧；一个机器人 CAD 示例使用了估算的物理属性，这些属性未经真实机器人校准。
Epoch AI 报告称，与 GPT-6 Sol 相比，OpenAI 将 GPT-6.1 Sol 的缓存输入价格减半。其测量结果还显示，新模型处理长提示词的速度更快。该帖子认为，这些发现指向 GPT-6.1 Sol 采用了新架构。
GPT-6.1 Sol Ultrafast 今日开始在 API、Codex 和 ChatGPT Work 中推出。 OpenAI 称，其智能水平接近 Astra，速度最高可达 Sol Standard 的 8 倍。https://t.co/Cyy9k2hifV
推荐理由：与 Sol Standard 的比较为开发者提供了一个具体的速度参照，同时体现了 OpenAI 所称的其智能水平接近 Astra。
Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk 在访谈中提出"合成超级智能"（synthesis superintelligence）路线：以物理实验为环境的强化学习、AI 驱动的材料表征、DFT 与高通量实验室，让模型学习做科学的全过程而非只看已发表结果。
vLLM v0.31.0 现已发布，包含 307 位贡献者提交的 717 个提交，其中 96 位是首次贡献者。主要亮点包括：支持 DeepSeek-V4.1-Flash，搭配 FlashMLA Mega Attention 和 NVFP4 KV 缓存；通过 vllm preload 快速重启路径将权重保留在 GPU 内存中；支持 Model Runner V2 推测解码；以及 MoonEP 均衡全互联通信和 DeepEPv2 等大规模服务功能。完整发行说明见 GitHub。
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。
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。
斯坦福大学助理教授吴佳俊在 IROS 2026 的 RoBoWoMo 研讨会上发表题为《Building Physical Agents via Structured Representations》的报告，提出结构化表征不是要硬塞进系统的答案，而是帮助机器人高效学习、并让人类与之沟通的脚手架。
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%。
@sanchitmonga22 表示，Perplexity 的 Decider 模型以速通的方式玩《谁想成为百万富翁？》，并称它是“最好的决策模型”。Aravind Srinivas 称这个演示很酷：https://twitter.com/sanchitmonga22/status/2107959692458922157
Noam Brown认为，大型语言模型已跨过一个重要门槛：在一些研究问题上超越了顶尖人类专家。略低于专家水平与略高于专家水平之间的差距，有助于解释数学成果看似突然激增的现象。 他强调，模型的能力仍参差不齐，在许多方面仍不如人类；但他预计，随着模型不断进步，其他领域也将取得突破，并开启科学发现的新时代。
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
Anthropic 发布 Claude Haiku 5.5，这是其目前最快、最便宜的小模型，平均价格比 Haiku 4.5 低约 75%；对 10 万 token 以内的提示词，价格最高下降 90%，超过 10 万 token 则贵 5 倍。
推荐理由：原文给出 Haiku 5.5 的定价表与多项基准对比，读者可据此判断小模型在成本敏感任务上的取舍。
Haiku 5.5 是一款不错的 Haiku。 它还拥有 100k token 的上下文窗口，价格也比 Haiku 4.5 便宜 10 倍 https://twitter.com/claudeai/status/2107894039626277339
纳维-斯托克斯方程这一时刻，意义始终更多在于下方的图，而不是纳维-斯托克斯问题本身。这次运行在一周内展现了数学领域十年的进展。 迫不及待想把这些工具用于生命科学、构建我们的下一代模型，以及对齐研究！ https://twitter.com/OpenAI/status/2107596716367388924
OpenAI 宣布 API 平台两项更新，其中 Decisions API 可评估文本、图像或两者，速度约为 Responses API 的 10 倍，目前处于公开测试阶段，正式可用即将推出。
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。
