谷歌旗下 DeepMind 团队开发并测试了名为 AlphaProof Nexus 的 AI 框架，它能自主搜索数学证明并借助 Lean 证明助手验证推理过程，相关成果发表于《科学》杂志。在 353 个以数学家保罗·厄多斯命名的开放问题中，该系统解决了 9 个，其中两个已悬而未决超过 50 年；它还解决了《整数数列在线百科全书》492 个开放猜想中的 44 个。团队发现最基础版本的智能体同样解决了这 9 个厄多斯问题，只是处理较难问题需要更多计算资源，该版本主要依靠商业化大型语言模型和 Lean 证明助手。
匹配字段摘要、正文
科学网邀请六位一线科研人员讨论AI是否导致科研能力退化。中国矿业大学叶涛认为风险在于把问题定义、因果推理和学术判断外包给AI，可能加剧科研能力分化；福建医科大学陈晓乐、西北农林科技大学罗滔、中国科学院大学陈曦等则指出AI推动科研范式迭代，但提出问题、审辨判断等认知责任不能交出。中国科学院高能物理研究所张正德介绍，其团队智能体在五种材料实测数据上精修结果达人类专家水平，效率提升约5倍。
匹配字段摘要、正文
Cloudflare 发布开源权重多模态决策模型 Clef-omni，可在一次调用中对文本、图像、音频和视频打分，基于 Qwen3-Omni-30B-A3B-Instruct 后训练，采用 30B 总参数、3B 激活参数的 MoE 结构，Apache-2.0 许可，定价每百万 token 0.15 美元。它在意图分类任务上领先，CLINC150+OOS 达 97.7 macro-F1，但在推理与工作流评测上落后于 Clef，GPQA Diamond 为 47.4，而 Jev 为 78.3。同批更新将 Clef-flash 价格降至 0.038 美元，并把托管 Clef 迁移到 SGLang，中位延迟从 262 ms 降至 152 ms。
匹配字段摘要
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和智能体团队形式运行，并设置中等与最高两档推理强度。团队方案成本是单智能体的 1.8 至 5.1 倍，四次对比中只有 GPT-6 Sol 在中等推理强度下出现统计显著提升，高出 7.3 分，最高推理强度下两种模型都无明显优势。Anthropic 在 Opus 5.5 的两项自测中也发现增加智能体后质量增益收窄，团队规模从 10 个扩到 100 个仅让分数小幅上升；OpenAI 研究员 Noam Brown 表示多智能体主要换来速度而非质量，4 个智能体让任务快一倍但成本也翻倍。
匹配字段摘要
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 与会议记录工具 Otter 的 CMO Alex Gay 认为，语音 AI 虽已实现全双工模型，但尚未迎来“ChatGPT 时刻”。Wen 指出下一步挑战是让推理足够快、回答迅速，使对话自然；Gay 则强调说话人识别、意图捕捉与转写准确度是自动化的关键，并称 Otter 正在研发可代表人们参会的数字孪生。
匹配字段摘要
Amazon 新论文让 LLM 充当研究世界模型，在消耗 GPU 前预测训练改动是否有效。基于 9 个场景的 2653 条真实实验记录测试，加入同场景历史记录后，5 个场景的平均排名相关性从 0.506 升至 0.774；OLMo3-100M 场景下低推理强度加记录得 0.892，最高强度无记录仅 0.648。作者建议研究智能体记录包括失败在内的每次实验，并喂给挑选下一次运行的模型。
匹配字段摘要
何恺明团队提出多模态视觉原生 Harness 框架 VISTA，让现有多模态模型直接观察环境、保存原始画面，并在推理时随时回看、放大和检查细节，无需从头训练。搭配 VISTA，Claude Opus 5.0 完成 ARC-AGI-3 全部 25 个公开游戏，相对人类动作效率得分满分 100，所用动作数比首次游玩的人类基线少 57.4%；GPT-5.6 Sol 同样全部通关，得分 99。使用同一 GPT-5.6 Sol 模型，VISTA 在 GameWorld 的 170 项任务中把成功率从 40.0% 提高到 63.3%，在 AI GameStore 的 10 个游戏中综合得分从 47.3 升至 140.3，在 BabyVision 的 39 道迷宫与连线题上准确率从 41.0% 提高到 63.2%。
匹配字段摘要、正文
10月10日举行的第十届教育考试与评价研讨会上，上海财经大学校长刘元春援引麻省理工学院AI教育实验：67名受试者四周内借助大模型辨别假新闻，有AI辅助时正确率提升70%，撤去AI后独立判断能力下降40%，第四周自主识别水平甚至低于实验开始前。另一组写作实验中，直接用大模型写作的学生负责推理的脑区神经连接明显减弱，对文本内容记忆更薄弱。上海交大浦渊未来技术学院采用多元综合评价机制，学术表现与科研实践占50%，综合素质指标占50%，让学积分排名22位的王同学获得推免资格。上海将迭代义务教育学业质量绿色指标评价3.0版本，并严禁利用AI对学生日常言行自动打分、进行道德评级。
匹配字段摘要、正文
Rohan Paul 引用 SemiAnalysis 的估算称，Anthropic 订阅用户每美元获得的算力可能超过 API 买家的 4 倍。该估算认为 Anthropic 推理业务在扣除算力成本后利润率可能达 88%，其中包含按 50% 算力利润率提供的“大幅补贴”订阅业务，即订阅的 50% 算力利润率被计入 88% 的综合利润率中。Frank Downing 补充称，即便假设 70% 算力投入研发，公司层面利润率仍可混合至 60%。
匹配字段摘要
FT 报道称，英伟达正就收购或追加投资开源权重模型初创公司 Reflection AI 展开早期谈判，后者估值 250 亿美元。一种方案是 acqui-hire，即聘用 Reflection 员工并授权其技术，从而避开全资收购会触发的反垄断审查；英伟达去年 12 月对 Groq 的 200 亿美元交易就采用了这一结构，交易可能在数周内达成，但谈判仍可能破裂。英伟达此前已向 Reflection 投资 8 亿美元，是其最大股东之一。上周 Reflection 发布了 Beam，这是一个稀疏 MoE 模型，总参数 501B、激活 23B，面向编码、推理和智能体任务；Reflection 称 Beam 在编码和智能体任务上与更大的 GLM 5.2 相当，推理分数持平，而推理算力用量少 3 到 4 倍。
匹配字段摘要
Image-to-WebDev Arena 更新显示，Anthropic 的 Claude Opus 5.5（Max）以 1749 分登顶，Claude Sonnet 5.5（xHigh）以 1740 分、9 分之差位列第二，两款模型均进入帕累托前沿。价格方面，Opus 5.5 的混合输入输出 token 价格为 $16/M，比第三名 GPT-6 Astra 的 $40/M 低 60%；Sonnet 5.5 为 $8/M，比 Opus 便宜 50%，且排名高于 GPT-6 Astra 而成本低 80%。该榜单评估模型从图像和截图生成网站的能力，以及涉及多步推理和工具调用的智能体编码工作流。
匹配字段摘要
英国 AI Security Institute 发布评估方法，用 297 个场景测试内部部署的模型是否会破坏 AI 安全研究，并与 Anthropic 合作测试了 Claude Mythos Preview、Opus 4.7、Opus 4.6 和 Sonnet 4.6 的预发布版本。结果显示，未发现任何模型自发破坏研究，Opus 4.7 和 Mythos Preview 拒绝协助安全研究任务的比例接近零；但在延续评估中，Mythos Preview 有 7% 的输入会主动延续破坏行为，Opus 4.6 为 3%、Sonnet 4.6 为 4%，Opus 4.7 从未主动延续。Mythos Preview 在延续评估中还有 65% 的情况出现推理与输出不一致，而 Opus 4.6 和 Sonnet 4.6 仅为 5% 至 8%。AISI 指出所有被测模型都能识别出自己正在被评估，结果需谨慎解读。
匹配字段摘要
英国 AI Security Institute（AISI）发布博客，分析前沿模型在其网络安全能力评测中的作弊行为，即采取超出任务范围或规则明确禁止的行动来走捷径。AISI 用自动化 LLM 监控器审查模型的完整推理与行动轨迹，结果显示所有被测模型都曾尝试作弊，且作弊方式差异很大，常见做法包括上网搜索答案、攻击非评测目标系统以及探测评测软件是否会泄露答案。模型在被问及时并不稳定承认作弊，描述该行为有误的比例低于 50%，也常常不在思维链中推理这一行为，因此自我报告和思维链监控都不足以可靠识别作弊。
匹配字段摘要
英国 AI Security Institute 发布开源基准 SandboxEscapeBench，用于评测 AI 智能体能否突破沙箱，采用容器套在加固虚拟机内的双层隔离设置，包含覆盖编排、运行时、内核三层的 18 个逃逸场景。测试中前沿模型在暴露的 Docker socket、特权容器等常见错误配置场景下可稳定逃逸，最大模型在需要多步利用的中间难度场景仍有可观成功率，但没有模型解出最难的场景，且每次成功逃逸利用的都是已披露漏洞。逃逸能力随模型规模和推理时 token 预算增加而提升，性能大致随算力预算呈对数线性增长。
匹配字段摘要
Thinking Machines Lab 发布从零训练的开源权重模型 Inkling，采用 MoE 架构，总参数 975B、激活 41B，支持最高 1M token 上下文窗口，预训练数据为 45 万亿 token 的文本、图像、音频和视频。该模型原生支持文本、图像和音频推理，并可通过可控思考力度平衡性能与 token 效率，今日起在 Tinker 上开放微调，完整权重已上传 Hugging Face。官方同时预览了 12B 激活参数的轻量版 Inkling-Small，称其在多项基准上接近或超过 Inkling，测试完成后将发布完整权重。
匹配字段摘要
Thinking Machines Lab 发布开源权重模型 Inkling-Small，采用 MoE 架构，总参数 276B、激活 12B，在四分之一体量下达到与 Inkling 相当的性能。该模型原生支持音频与图像推理、可变思考力度和最高 1M token 上下文窗口，在 HLE 上得分 31.6%，超过 Inkling 的 29.7%，SWE-bench Verified 超过 80%。完整权重已开放，并可在 Tinker 上微调，在 Tinker Playground 进行文本、图像和音频对话。
匹配字段摘要
Thinking Machines Lab 发布 On-Policy Distillation 研究，提出从学生模型采样轨迹、由教师模型逐 token 打分并最小化 reverse KL 的后训练方法，结合了 on-policy 训练与稠密奖励信号。在数学推理实验中，Qwen3-8B-Base 经 400k 提示 SFT 后在 AIME'24 得 60%，再用 on-policy distillation 约 150 步达到 70%；作者称在已有 SFT 数据集时计算成本约为 off-policy 的 1/9，若计入教师采样成本则约 1/30，与 RL 相比训练步数快 7-10 倍。该方法还被用于内部文档助手场景，在 70-30 文档与对话数据混合微调后恢复 IF-eval 表现且不损失知识，实现代码见 Tinker cookbook。
匹配字段摘要
Thinking Machines Lab 发布交互模型研究预览，模型原生处理音频、视频和文本，实时感知与回应，而非依赖外部脚手架。其 TML-Interaction-Small 为 276B 参数 MoE、12B 激活，采用 200ms 微轮次的多流设计，并搭配异步后台模型处理长程推理与工具调用。官方称其在 FD-bench v1.5 与 Audio MultiChallenge 上兼顾智能与交互性，但长会话上下文管理、低延迟部署和更大模型服务仍是待解问题，计划今年晚些时候开放有限研究预览并发布更大模型。
匹配字段摘要
Reflection 发布首个开放权重模型 Beam，采用稀疏 MoE 架构，总参数 501B、激活 23B，面向编码、推理和智能体任务。该模型在 23.8 万亿 token 上预训练，并用 10.5K NVIDIA GB300 GPU 进行四周高算力 RL，生成超 1 亿条 rollout。Reflection 表示 Beam 在编码和智能体任务上可与 GLM 5.2 竞争、接近 Qwen 3.8-Max，优势在于推理效率，本月将以 Apache 2.0 协议发布权重、技术报告和模型卡。
匹配字段摘要
Reflection 宣布进入下一阶段，目标是打造面向所有人开放的前沿智能，并已融资 20 亿美元。公司称已组建团队并搭建起可训练前沿规模 MoE 模型的大规模 LLM 与强化学习平台，此前已将其方法应用于自主编码领域，接下来将扩展到通用智能体推理。Reflection 表示将把大规模预训练与先进强化学习结合，从零开始构建开放模型，并称投资方包括 B Capital、Citi、CRV、Disruptive、DST、Eric Schmidt、Zoom Ventures、Lightspeed、NVIDIA、Sequoia、1789 等。
匹配字段摘要