69 条精选近 30 天 48条共收录 216条
更新AWS 展示了如何使用 Amazon Bedrock 上的 Grok 4.7 构建和评估工具调用智能体，并在三项合成任务中比较四种推理力度。该智能体在 72 次运行中有 67 次回答正确；xhigh 为 18 次全对，而 low 答对 18 次中的 15 次，输出 token 数约为前者的八分之一。本指南涵盖任务设计、自动评分、生产监控和运维控制，并指出这些小规模结果仅供参考，不足以得出统计学上确凿的结论。
推荐理由：答案可验证且唯一的任务，加上重复运行，为比较推理力度提供了一种可复用的方法；分别测量正确性和 token 数，则能具体体现两者之间的权衡。
Meta 超级智能实验室发布了 Muse Wonder 和 Muse Wonder Full，这是其第二代模型系列，面向个人和专业场景中的智能体工作。Latent Space 报道称，Wonder 可通过 Meta Model API 和 Muse Code 使用，而 Full 仅限 Muse Code 订阅用户使用。Artificial Analysis 给出的 Wonder Full 和 Wonder Intelligence Index v4.3 得分分别为 56 和 52，而 Opus 5.5 为 58；Wonder 支持 1M 上下文窗口，可输入文本、图像、视频和音频，输出仅支持文本。
推荐理由：基准测试细分结果将 Wonder 各版本与竞争模型在智能体表现和 token 用量方面进行比较，展示它们在不同任务中的相对排名如何变化，而非给出单一排名。
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。
据 Alexandr Wang 引述的帖子，Meta 已发布 Muse Wonder 和 Muse Wonder Full。在最高推理力度下，它们在 Artificial Analysis Intelligence Index v4.3 上的得分分别为 52 和 56，而 Muse Spark 1.3 的得分为 48；两次发布间隔 6 周。Muse Wonder 可通过 Meta 的第一方 API 和 Muse Code 使用，而 Muse Wonder Full 仅向 Muse Code 用户开放；两者的上下文窗口均为 1M 个 token。
推荐理由：Artificial Analysis 的对比凸显了一个权衡：与 Muse Spark 1.3 相比，Muse Wonder 的基准测试表现有所提升，但每项任务的成本更高，尽管其输出 token 用量更低。
Meta的超级智能实验室于周一发布了 Muse Wonder 和 Muse Wonder Full。这两款更大的模型据称比 Muse Spark 能力更强。Meta称，它们的基准测试得分与 Fable 5.1 和 GPT-6 Astra 相当，并强调通过“主动记忆”保留信息。通过 Meta Model API 使用 Wonder 的价格为每百万输入 token 4.00 美元、每百万输出 token 20.00 美元；Wonder Full 仅向 Muse Code 订阅用户开放。这两款模型都将为 Muse 智能体提供支持。
推荐理由：Wonder 可通过 API 使用，而 Wonder Full 仅向订阅用户开放，这种区别为开发者比较 Meta 全新模型系列中的集成选项提供了具体依据。
微软将推出 Maia 300。Satya Nadella 表示，与领先的基于 GPU 的系统相比，Maia 300 每瓦可处理的 token 数量提高了 40%。 从明年起，微软将把 Maia 系列扩展至多吉瓦级部署，使其成为自家产品和服务的主要推理系统。 微软已在美国、欧洲和澳大利亚部署 Maia 200，在 Teams 和 Copilot 的各项体验中，每瓦可处理的 token 数量最高提升至原来的 1.7 倍。微软的目标是在持续将生态系统创新引入其计算集群的同时，进一步发挥全栈效率提升的优势。
推荐理由：将 Maia 打造成微软自家产品和服务的主要推理系统，为其宣称的效率提升提供了具体的部署背景。
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。
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。
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。
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。
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。
OpenAI 在 GitHub 仓库发布了内部前沿模型生成的 372 项数学结果，每项据称解决或显著推进了一个开放问题，其中包含对主要计算机算法的改进以及与黎曼猜想相关的进展。
推荐理由：OpenAI 把 372 项 AI 生成的数学结果直接发到 GitHub 而非期刊，读者可据此观察学术评审流程与 AI 产出速度之间的张力。
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。
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。
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 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。
Mistral AI 宣布推出 Mistral Large 4（又名 Le Chonk），拥有 1T 参数，其中 49B 为活跃参数，并原生支持多模态。该模型今日起可通过 API 使用，开放权重版本计划于 10 月底发布。Mistral AI 称，在综合基准测试中，该模型领先于来自美国或欧洲的开放权重模型，并在视觉定位方面超越闭源前沿模型。 Arthur Mensch 补充说，该模型的研发建立在前期基础工作之上，使用他们自己的算力进行训练和部署，而且强化学习（RL）尚未显现出饱和迹象。
推荐理由：API 今日开放使用、开放权重版本计划于 10 月底发布，这为团队通过托管基础设施或模型权重访问该模型提供了不同的时间安排。
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。
GPT-6 Astra Ultrafast 已在 OpenAI API 上线，并向符合条件的 ChatGPT Work 和 Codex 用户开放，运行在 NVIDIA Blackwell GPU 上。
推荐理由：原文给出 Astra Ultrafast 相对标准模式的加速倍数与开放入口，读者可据此判断它对编码智能体循环的实际影响。
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1 上以 77.9% 超过 Claude Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%，并以 1525 分位居 Text Arena 第一。
推荐理由：谷歌新旗舰在多项榜单登顶并给出成本与百万Token输出上限，读者可据此判断其与GPT、Opus的竞争位置。
