OpenAI 宣称使用内部大模型攻克杨-米尔斯存在性问题，引发学术优先权争议
OpenAI 宣布利用内部专有大语言模型完成了量子色动力学与杨-米尔斯理论中存在性问题的形式化推演，并称已在 Lean 语言中完成验证。该结果抢先了 Anthropic 研究员 Levent Alpöge 与西北大学数学家 Ethan Sussman 的独立合作研究，后者此前刚在 GitHub 公布相关中间进展。
#推理
#推理
今日 1 条Scientific AmericanAI 评分7575 TechCrunch · AI精选AI 评分8080 前沿 AI 实验室声称模型反驳指数时间假说，这代表了什么？
OpenAI 与 Anthropic 相继宣布其 AI 模型提出了求解特定逻辑难题的亚指数时间算法，声称反驳了计算机科学中长期存在的指数时间假说（ETH）。
推荐理由：文章梳理了前沿模型挑战计算复杂性假说对理论计算机与密码系统带来的潜在冲击，有助于评估 AI 介入纯科学研究的实际波及面。
Google ResearchAI 评分5656 Google 提出用于大语言模型持续学习的睡眠框架
Google 联合康奈尔大学等提出睡眠框架，通过交替运行清醒交互与离线睡眠阶段，使大语言模型在持续学习中保留知识并避免灾难性遗忘。在离线睡眠期，模型通过 MoE 结构动态扩展低秩专家参数，结合在策略蒸馏将短期记忆转化为长期参数，并通过做梦阶段生成合成样本进行自监督提升。
Scientific American精选AI 评分7878 OpenAI 与 Anthropic 相继发布重大数学理论证明，引发科学界关注与验证争议
OpenAI 与 Anthropic 近日相继宣布利用内部大模型完成多项重大科学证明，涉及全维度挂谷猜想、杨-米尔斯理论存在性以及对指数时间假说（ETH）的反驳。
推荐理由：两家前沿机构相继用模型冲击核心理论难题，展现了大模型推导复杂证明的潜力与学术界在验证透明度上的分歧。
The DecoderAI 评分5353 前 DeepMind 研究员提出借鉴 AlphaGo 机制解决大模型幻觉
前 DeepMind 研究员 Thore Graepel 创立 Metis Reasoning 并提出新架构设想，主张借鉴 AlphaGo 的搜索与评估机制，通过外置的显式知识账本和独立验证模块从根源上减少大模型幻觉。
The Decoder精选AI 评分8080 OpenAI 邀请诺奖得主等外部专家审核其 AI 在数学、计算与物理领域的理论证明
OpenAI 邀请包括诺贝尔物理学奖得主 David Gross 在内的外部专家团队，对其 AI 系统在计算机科学、数学和理论物理领域生成的多项重大证明进行独立审查。
推荐理由：文章详细梳理了 OpenAI 人工智能生成的三项理论证明及其外部验证机制，读者可据此了解前沿 AI 介入基础科学研究的实际进展与审查争议。
TechCrunch · AIAI 评分6060 AI 算力初创公司 General Compute 获 1 亿美元 A 轮融资，估值达 8 亿美元
AI 算力初创公司 General Compute 完成由 Blackbird Ventures 和 Abstract Ventures 领投的 1 亿美元 A 轮融资，投后估值达 8 亿美元。
TechCrunch · AIAI 评分5252 Nvidia 参投印度 AI 推理优化初创公司 Simplismart 的 1400 万美元融资
Nvidia 参投了印度初创公司 Simplismart 的 1400 万美元 B 轮融资，该轮融资由 Dallas Venture Capital 领投，公司投后估值约为 1 亿美元。
arXiv cs.LGAI 评分3939 BiLoCo：面向训练后量化的二值低秩校正方法
BiLoCo 是一种面向大模型 FP4 训练后量化（PTQ）的二值低秩校正方法，将校正因子存为二值符号向量，单秩分量存储减少 16 倍，且可在 CUDA Core 上与 Tensor Core FP4 GEMM 并发运行。
arXiv cs.LGAI 评分4040 多候选推理中的隐藏接口损耗：正确答案为何无法被选择器选中
研究揭示大语言模型在多候选推理中存在“隐藏接口损耗”，即候选池中的正确答案常因残缺、不可解析或格式失配而无法被固定选择器选中。为此团队提出 CACC 接口层，无需重新训练任何组件即可修复候选片段并对齐答案模式。在 GPQA Diamond 基准上，CACC 单独将最终准确率从 5.6% 提升至 19.2%（+13.6 pp），结合提议端增强后达 25.8%（+20.2 pp）。
arXiv cs.LGAI 评分3434 MS-TTRL：打破多解测试时强化学习中的频率冲突
研究团队提出 MS-TTRL，通过结果级自我验证分离正确性估计与多样性保持，解决多解测试时强化学习中的频率冲突。该方法引入三状态结果缓存，并利用置信度门控逆概率缩放强化罕见且可靠验证结果的学习信号。跨 2 个基准与 3 个骨干模型的实验表明，其恢复率较最优无标签基线平均提升 19.13 个百分点，性能接近有监督 IPS-GRPO。
arXiv cs.LGAI 评分4343 Principia：面向科学发现的测试期假设与原理构建框架
研究人员提出基于 LLM 的科学发现框架 Principia，能够在测试期从输入与观测结果中构建因果假设，并将其持续演化提炼为归纳性科学原理。在分子优化、蛋白质工程、基因扰动和分子性质预测等基准测试中，Principia 表现超越了依赖内部知识、外部来源或经验总结的基线方法，生成的原理与文献一致。该项目代码已开源。
arXiv cs.LGAI 评分4242 REACT：思维链轨迹的早期表征分析与控制
研究提出的激活干预方法 REACT 仅在思维链早期应用单次控制，将 DeepSeek-R1-Distill-Llama-8B 在 StrongREJECT-273 上的完全安全输出率从 29.06% 提升至 82.05%。评测显示干预的最佳窗口集中在前 2 至 3 个 token，并在保持良性拒绝率和有用性接近基线的同时，模型权重全程冻结且无需二次编辑。
arXiv cs.LGAI 评分3434 ReMedI：用于可控分子优化的推理时精炼与自我蒸馏
研究团队提出分子优化框架 ReMedI，利用 Metropolis-Hastings 搜索在推理阶段引导分子语言模型精炼，并将搜索轨迹自我蒸馏。在 C-MuMOInstruct 和 SMDD 基准上，该方法显著提升了 3 种骨干模型的优化成功率。相比基线 C-MORAL，ReMedI 训练分子用量减少约 7.8 倍，严格成功覆盖率达到其约 2.8 倍。
arXiv cs.LGAI 评分3737 一致性而非归一化维持循环语言模型的深度可复用性
研究表明，维持循环语言模型深度可复用性的是训练与运行循环的一致性，而非循环步之间的状态归一化。测试显示，直接从已发布的 Ouro-1.4B 与 Ouro-2.6B 移除归一化会导致二分类准确率降为 0（状态范数维持在 2.021 倍内），但在从头训练的 19M 模型中无归一化训练的外推能力更优（Cliff's delta 达 0.867）。
arXiv cs.LGAI 评分3434 延迟解码与单次乘法：重新审视量化权重的点积计算
针对 1-4 bit 权重部署，研究者提出延迟解码点积重构方案，使长度为 n、k-bit 权重的点积仅需 n+2^k 次加法与至多 2^k 次解码和乘法。该方案将权重编码直接用作地址累加激活值并在末尾统一解码乘算，使乘法器数量减少 n/2^k 倍，局部权重内存缩减最高达 w_d/k。基于此设计的 SA-PE 处理单元已在 FPGA 综合中验证了硬件收益与计算等价性。
arXiv cs.LGAI 评分3434 投机扩散的双重权衡
研究提出通过联合调整扩散工作量与投机解码宽容度，探索投机扩散（Speculative Diffusion）的速度与质量帕累托前沿。扩散大语言模型（dLLMs）能通过并行生成 token 作为草稿模型加速推理，投机解码本身也能放宽验证器的接受标准来实现有损快速采样。实验表明，联合调节这两项参数相比单步扩散草稿能有效扩展速度-质量帕累托前沿。
arXiv cs.LGAI 评分3535 通过按查询模态选择实现高效全模态大语言模型推理
研究提出面向全模态大语言模型（Omni-LLM）的逐查询模态选择方法，在保持模型固定的前提下自适应选取输入模态，以优化准确率与推理成本的权衡。在 WorldSense 基准上评估 Qwen2.5-Omni 与 Qwen3-Omni 发现，该方法表现均优于全模态输入基线。
科学网AI 评分7171 微软在《科学》发表AI诊断工具DxO研究，复杂病例测试表现超全科医生
微软研究人员在《科学》发表论文推出诊断协调工具 DxO，在 SDBench 测试中诊断复杂病例与急诊病例的准确率分别达到 83.2% 和 80.3%，高于全科医生的 36.1% 和 46.8%。DxO 通过模拟多位临床专家协作进行诊断，且在安排检查前会询问更多背景问题。研究团队强调该基准衡量的是理想化信息条件下的诊断推理，并不代表其优于现实临床实践或专科医疗团队。
科学网精选AI 评分8383 OpenAI公布数学、计算机和物理学3项新发现
OpenAI宣布利用模型在调和分析、计算复杂性理论和量子场论领域取得三项新发现，并已完成Lean形式化验证。成果涉及给出局部光滑猜想在所有维度下的证明、证伪指数时间假设（ETH），以及完成纯杨–米尔斯理论存在性等推演。数学和计算机成果已在GitHub公开并交由外部专家团队核查，物理学成果依专家建议暂缓公开，所有主张均等待学界独立审查。
推荐理由：OpenAI公开了借助模型与形式化工具推演理论科学猜想的尝试，读者可以据此了解前沿模型参与基础科学研究的具体方式与专家协作机制。
量子位AI 评分3939 趋境科技完成超 13 亿元 B 轮融资，加速高品质 AI Token 规模化交付
高品质 AI Token 生产服务商趋境科技完成超 13 亿人民币 B 轮融资，今年内累计募资已达 24 亿人民币。本轮募集资金将重点投向 AI Token 产能扩张、ATaaS 平台升级迭代及推理底层技术研发。目前其日均高品质 AI Token 产量已超万亿量级，并落地了国产 Prefill-Decode 异构协同等多项推理优化方案。
量子位AI 评分4040 商汤大装置包揽中国近50% Neocloud市场份额
沙利文与头豹研究院报告显示，商汤科技旗下商汤大装置（SenseCore）拿下中国Neocloud（新云）市场近50%份额。其日均Token服务量在9月底已达6万亿规模，依托异构混推PD分离方案使整体推理性价比达到主流高端GPU的1.25倍。此外，其算电协同方案使单位电力成本的Token产出提升80%，平均电费比同地区IDC降低10%。
The Verge · AI精选AI 评分7979 OpenAI 宣布三项重大科学发现，并公布与学术界合作验证机制
OpenAI 宣布其 AI 模型在数学、计算机科学与物理学领域取得三项突破，包括声称否定指数时间假说（ETH）、证明波方程局部平滑猜想及四维量子场论存在性，相关模型输出与 Lean 证明已上传至 GitHub。针对计算机科学与物理学成果，OpenAI 邀请了外部专家团队进行审查与引导；但其数学顾问团 AGMAI 警告不应向指定学者提供早期特权访问，建议未来统一在学术仓库公开发布。
推荐理由：原文梳理了 OpenAI 科学发现的证据链与学者审查机制，有助于了解 AI 介入基础科学研究时的验证争议与学术协作范式。
Simon Willison精选AI 评分8181 OpenAI 发布 GPT-6.1 Terra
OpenAI 推出 GPT-6.1 Terra 模型，主打视觉推理与计算机使用能力，定位为介于 Sol 与 Luna 之间的中档选项。该模型在技术沟通和计算机使用速度上表现更突出，输入定价为每百万 token 1 美元、输出为 5 美元，成本约为 GPT-6.1 Sol 的一半。
推荐理由：原文对比了该模型在视觉与计算机使用上的速度与成本，便于开发者评估其作为中档方案的调用性价比。
Cloudflare Blog精选AI 评分7676 Cloudflare 复盘 Workers AI 中 GLM-5.3 的 KV cache 跨请求泄露漏洞及 SGLang 修复方案
Cloudflare 披露 Workers AI 在运行 GLM-5.3 时因配置失误与 SGLang 缺陷出现跨请求 KV cache 泄露，影响了 155 个超长 prompt 响应并已完成修复上线。
推荐理由：原文详细拆解了分离式推理下缓存复用导致的跨租户数据泄露机制，为大模型托管服务排查引擎内存安全提供了参考。
The Decoder精选AI 评分8686 OpenAI 发布 GPT-6.1 Terra：API 定价减半且多项基准逼近更大模型
OpenAI 正式发布 GPT-6.1 Terra 模型，其 API 定价降至每百万输入 token 1 美元、输出 5 美元，仅为 GPT-5.6 Terra 的一半。
推荐理由：该模型在大幅降低调用成本的同时提升了多模态与编码表现，为评估智能体任务的性价比提供了参考。
科学网AI 评分2727 李琳：从油茶到课堂，AI应用要回应具体问题
中南林业科技大学李琳团队展示了AI在农林智能感知与工程教育中的落地实践。在农林方向，团队结合 GPT-4 生成图像文本描述并由 DeepSeek 展开推理诊断，同时基于100余株油茶的RGB点云推进三维补全与产量预测。在教学方面，团队借助大模型辅助题目多维认知标注，探索评估学生的真实理解与工程能力。
arXiv cs.AIAI 评分4040 CauProphet：让智能体像人类一样建立因果认知
新研究提出 CauProphet，通过在因果认知（Causal Cognition）中构建并持续更新结构化因果信念（Causal Belief），使 LLM 智能体具备类似人类的因果理解与持续学习能力。在金融研究评估中，CauProphet 对次日收益率的平均秩相关性相比基线智能体提升 25.4%，并在动态现实场景中将预测准确率从 21.3% 提升至 28.6%。
arXiv cs.AIAI 评分3434 多模态嵌入框架 PILOT：超越事后奖励的特权推理探索
研究者提出多模态嵌入框架 PILOT，将推理建模为隐变量，利用训练期关联证据指导推理探索以优化嵌入表示。该框架通过先验与后验协同演化机制，在共享推理兼容奖励下将高价值探索轨迹迁移至推理阶段。在包含 78 个任务的 MMEB-V2 基准上，PILOT 在 2B 和 7B 参数下总分分别提升 3.2 与 3.3 分，视觉文档检索提升达 +6.1 和 +6.4 分。
arXiv cs.AIAI 评分3333 多模态强化学习：从视觉亲和力到学习信用分配
研究提出插件式框架 Outcome-Conditioned Visual Credit（OVC），将多模态强化学习中的视觉关联度度量与 token 级信用分配解耦。该方法无需辅助奖励模型、过程标注或推理期模块，直接复用现有采样数据调制 token 梯度贡献。在 3 个模型上，其实例化方案使 6 项基准测试平均准确率相较 GSPO 持续提升 1.86-2.39 个百分点。
arXiv cs.AIAI 评分3939 Solvent：面向多步逆合成的长程推理模型
研究团队推出 8B 参数的 LLM Solvent，将长程推理拓展至多步化学逆合成任务。Solvent 通过两轮后训练交替执行合成规划、外部可用性验证与自适应路径修正，经 RL 实现 2.1x 性能提升，在 4 个 benchmark 上取得 61.86% 的综合得分。其表现超越传统基于搜索的逆合成系统并匹敌前沿万亿参数 LLM，相关代码与模型均已开放。
arXiv cs.AIAI 评分3737 RxnExBench：面向科学文献结构化化学反应提取的视觉语言模型评测基准
研究人员提出多模态基准 RxnExBench，包含 3,565 个专家标注反应和 2,361 个分子结构，用于评测视觉语言模型的结构化化学反应提取能力。该基准统一了 15 个反应角色与 26 个核心字段，并提出解耦分子识别与高阶推理的 Oracle-MolRec 协议。对 9 个 SOTA 模型的评测显示多模态整合与化学推理是主要瓶颈，相关数据和代码均已开源。
arXiv cs.AIAI 评分3434 PEAR：面向大视觉语言模型感知与探索的自适应优势重塑方法
研究人员提出面向大视觉语言模型的优势重塑方法 PEAR，旨在兼顾多模态推理中的视觉感知与多样化路径探索。PEAR 以视觉依赖为基础信号，仅对高熵位置补充探索增益，且视觉依赖越低增益越大，以此生成正 token 级权重重塑序列优势。在 Qwen2.5-VL-3B/7B 上的实验显示，PEAR 在多模态推理基准上取得最高平均表现，并在文本推理与通用多模态评测中领先。
arXiv cs.AIAI 评分4444 并非所有信息都值得获取：面向 LLM 的决策驱动信息获取
针对 LLM 在不完全信息决策中过度索取冗余证据的缺陷，研究人员提出无需训练的信息获取方法 DIVA 及其变体 DIVA-U。该方法引导 LLM 构建小型决策模型，评估候选证据改善决策的净价值，并在证据充分时主动停止检索。跨 4 个领域和 20 个 LLM 的测试显示，DIVA-U 在真实数据上的后悔值低于所有基线，DIVA 在合成场景中将最佳 LLM 基线的后悔值降低了 75%。
arXiv cs.AIAI 评分4646 $\Psi$-0.6：统一视觉语言世界模型中的自适应思维流
统一视觉语言世界模型 $\Psi$-0.6 正式提出，其通过共享 token 接口交织图像、文本及几何运动显式表示，实现自适应的“思维流”物理推理。该模型在多视角空间推理零样本评测中超越主流开源权重模型，并支持判断移动物体是否阻碍路径等反事实模拟。借助任务反馈强化学习优化中间表示，其视觉问答准确率显著提升并能泛化至未见基准。
arXiv cs.AIAI 评分3636 DELA：为扩散语言模型学习可控编辑
研究者提出插件框架 DELA，配合冻结的扩散语言模型（DLM）以及 Insert、Delete、Remask 和 Stop 四种显式编辑操作实现可控草稿细化。该方法采用两阶段解码，先通过快速仅追加草拟支持 KV cache 复用，再进行全篇全局细化。在数学推理与代码生成任务中，DELA 在保持主干模型冻结时比直接扩散解码最高提升 5.5 个百分点。
arXiv cs.AIAI 评分4848 解析多智能体 LLM 系统中的通信失败
一项针对多智能体 LLM 系统的研究基于医疗问答、代码、金融等任务的 3,211 条多轮失败轨迹，构建了通信失败分类体系。分析表明系统失败主要由恢复纠错与共识决策问题主导，而非孤立的首轮错误，多数问题在智能体首次观察到同伴回应后显现。研究据此建议在最终定稿前强化分歧处理、证据验证、少数派信号保留及恢复检查。
arXiv cs.AIAI 评分3535 测试时记忆演化（TTME）能否在科学发现中超越测试时训练（TTT）？
研究人员提出即插即用的测试时记忆演化（TTME）方法，通过蒸馏经验持续更新外部记忆来指导后续科学发现，无需像测试时训练（TTT）那样在线更新模型权重。在相同的科学发现框架评测中，TTME 在全部 5 项数学任务上的表现均优于 TTT，同时计算量（FLOPs）降低了 82.8%-84.6%，运行时间减少了 47.7%-58.4%。
arXiv cs.AIAI 评分3535 CEMIR 对比 FISER：语用意图识别中基于推理与富化方法的比较研究
HandMeThat v2 基准评测显示，多模态富化方法 CEMIR 相比结构化推理框架 FISER 在语用意图识别中并未表现出显著性能优势。在涵盖 Qwen2.5-Omni-3B 至 GPT-5 的 4 款大语言模型测试中，两者在全部 16 组难度对比及消融实验中均无统计学显著差异。研究表明任务表现主要取决于基座模型能力，合成多模态增强在文本已包含任务约束时未能带来可衡量的收益。
arXiv cs.AIAI 评分4747 PaperFormalizer：基于 Lean 的作者在环论文自动形式化系统
PaperFormalizer 是一款基于 Lean 的智能体流水线，通过“作者在环”机制帮助研究者查找证明漏洞并将 LaTeX 论文转化为 Lean 验证版本。它将论文转录为命题依赖图并审计正确性与歧义，结合 Mathlib 推进形式化证明，并在关键修正时由作者把关决策。该工具可在 Claude Code 或 Codex 中运行，并输出关联 Lean 代码的修订论文与变更报告。