Prefer 实测四款 AI 引擎：960 个答案的搜索与引用行为
Prefer 用同一批 80 个问题向 ChatGPT、Perplexity、Gemini、Claude 各提问 3 次，共 960 个答案，实测各引擎的联网检索与引用行为。
#OpenAI
#OpenAI
今日 0 条Hacker News · AI 最新AI 评分6262 Hacker News · AI 最新AI 评分5959 用 AI 在 Kepler 存档数据中发现围绕 KIC 5689121 的候选行星
作者用 Codex 和 ChatGPT 在 Kepler 存档像素中找到一颗候选行星，信号周期 13.769 天，并在保留未参与搜索的四个季度中以 5.84σ 复现。
Hacker News · AI 最新AI 评分4646 FrontierCode：AI 模型能写出维护者愿意合并的代码吗？
Cognition 构建了编程评测基准 FrontierCode，以真实开源仓库维护者是否会合并代码来评估 AI 智能体的改动质量。在 FrontierCode 1.1 Main 的 100 个任务中，Claude Opus 5.5 (max with fallback) 以 52% 的平均分和 58% 的通过率领跑，领先模型仍有超 40% 的尝试失败。
Hacker News · AI 最新AI 评分6767 AI 能否自动化 Epoch？六款模型真实工作任务评估
Epoch 让六款模型在最高推理设置下完成 11 项取自其真实工作的任务，并按员工标准人工评分，结论是前沿模型尚不能端到端自动化 Epoch 的工作。Claude Fable 5.1 与 GPT-6 Astra 总体领先，在编码、数据分析和计算机操作等定义明确的任务上表现可靠，但难以领悟 Epoch 的隐含标准、设计有效实验并从结果中得出有意义结论。
The DecoderAI 评分6262 Vals AI 基准测试显示多智能体团队成本增加 1.8 至 5.1 倍，质量几乎无提升
评测公司 Vals AI 在 Vibe Code Bench 上对 GPT-6 Sol 和 Claude Opus 5.5 进行单智能体与团队对比测试，团队成本高出 1.8 至 5.1 倍，四组对比中仅 GPT-6 Sol 中等推理设置下的团队显著高出 7.3 分，最大推理下团队对两款模型均无实质优势。
The Decoder精选AI 评分7070 Epoch AI 研究发现 AI 智能体夸大成果，距离自主研究仍很遥远
Epoch AI 用新基准 InnovationEval 测试 Claude Fable 5 和 GPT-5.6 Sol 能否独立完成研究，两者都远不及人类参考方法 SDPO。
推荐理由：原文对比了智能体自评分数与剔除挑选运行后的实测结果，读者可据此评估把 AI 用于自主研究时的真实可信度。
量子位精选AI 评分7272 OpenAI 发布挂谷猜想手稿，声称证明三维极大函数与四维版本
10月7日，OpenAI 放出722篇数学手稿，其中编号074的两篇声称分别证明了三维挂谷极大函数猜想和四维挂谷猜想，合计272页。三维版本比王虹和Zahl证明的集合版更强，四维论文把卡在3点几的维数直接推到4，但该组成果没有Lean形式化，也未经同行评审。陶哲轩随后牵头人类数学协会发布声明，全面抵制OpenAI。
推荐理由：原文对照了王虹与 OpenAI 各自证明的版本差异，并记录陶哲轩牵头抵制引发的争议，可借此判断这场数学界风波的来龙去脉。
奇客 SolidotAI 评分6262 使用 AI 十分钟就会削弱你挑战难题的意志力
一项研究发现，仅依赖 AI 工具十分钟就会削弱人们解决困难任务的专注力和坚持到底的意志力。研究团队在 Conference on Language Modeling 会议上报告了这项同行评审研究，共招募 1222 名参与者进行随机对照试验。实验显示，可使用 ChatGPT 的组在 AI 被移除后要么答错要么放弃，而未使用 AI 的组能坚持完成任务且表现更出色。
Hacker News · AI 最新AI 评分6161 Nathaniel Craig 借助 GPT-6 Astra 发布格点手征费米子预印本
粒子理论家 Nathaniel Craig 在 arXiv 发布预印本《A gauge-invariant measure for lattice chiral fermions》，文中称 OpenAI 的 GPT-6 Astra 模型对得到该结果至关重要。
Hacker News · AI 最新AI 评分6161 Samaya 研究显示前沿 AI 模型在财报预测上超越分析师
Samaya 的研究表明，在其自建的金融预测评测环境中，最新前沿 AI 模型在财报惊喜预测上超越了人类专家分析师。研究覆盖 456 家市值超 50 亿美元的公司，在财报前五个交易日预测收入、毛利率、营业利润和调整后 EPS，GPT-6 Astra 在多数指标上表现最佳，Claude Fable 5.1 和 Claude Opus 5.5 在惊喜相关性上最强。
Hacker News · AI 最新AI 评分6565 唯一游戏猜想证明竞赛：Minzer 团队抢在 OpenAI 前发表里程碑结果
2026 年 10 月 6 日，OpenAI 宣布证明唯一游戏猜想，并同时发布跨数学各领域的另外 376 项结果。约三周前，MIT 教授 Dor Minzer 与研究生 Yumou Fei、Shuo Wang 抢先公开 95 页论文，证明 Khot 的 2-to-1 游戏猜想的 4-to-1 变体，并由此推出经典图着色问题的一项难度结论。
量子位精选AI 评分7373 OpenAI一夜公开722篇数学手稿，黎曼猜想、霍奇猜想、BSD猜想全上阵
OpenAI一口气公开722篇出自未发布内部模型的数学手稿，归为372组结果，论文、源码和部分Lean证明已上传GitHub。手稿涉及黎曼猜想、霍奇猜想、BSD猜想三道千禧难题，OpenAI称平均每项结果消耗算力约相当于ChatGPT Pro思考3小时。由九位学者组成的独立顾问组（含三位菲尔兹奖得主）发声明称，不代表认可这些结果及其产出过程。
推荐理由：原文对照已知数学进展逐项标注了这批结果的含金量，同时记录了数学界对验证速度跟不上产出速度的担忧。
Hacker News · AI 最新AI 评分7474 研究人员给开源 AI 模型植入后门以窃取编码智能体凭证
ProjectDiscovery 研究人员通过污染训练数据在 Qwen2.5-7B-Instruct 模型中植入后门，触发词出现时模型会读取 .env 文件并外泄凭证。该攻击在单张 L4 GPU 上耗时约 2.5 小时、成本不足 50 美元，且模型能通过所有常规基准测试。研究建议通过隔离网络访问与命令执行、加强运行时权限控制来防御此类威胁。
Hacker News · AI 最新AI 评分6565 IdeaLens：检测文章的 AI 思路来源，而非文字本身
马里兰大学主导的学术合作提出 IdeaLens，通过将文档压缩为角色标注提纲来检测思路是否源自 AI，而不管文字由谁撰写。在思路与文字来源混合的场景下，IdeaLens 准确率为 81.3%，而 ProseLens 和 Pangram 4 降至约 25%；它还能识别 68% 的人类写作中的 AI 思路，ProseLens 为 0%、Pangram 4 为 8%。
Hacker News · AI 最新AI 评分3636 前沿 AI 模型有多好笑？GPT-6 Astra、Opus 4.5 与 Fable 5.1 笑话能力盲测
一项盲测让 62 名人类评审对 OpenAI 与 Anthropic 六款闭源模型（Haiku 4.5、GPT-5 mini、GPT-5.2、Opus 4.5、GPT-6 Astra、Fable 5.1）生成的原创笑话打分，发现越新、越大的模型越好笑。
OpenAI News精选AI 评分7272 OpenAI 公布内部前沿模型在数学开放问题上的新结果
OpenAI 公布了内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开了 Lean 形式化证明与研究细节。
推荐理由：原文给出了 OpenAI 在数学开放问题上的新结果与 Lean 形式化证明，读者可据此了解前沿模型在数学领域的实际进展。
量子位 · 行业解读AI 评分7272 Hinton 联合 22 位研究者发表 RSI 论文，探讨自动化 AI 研发触发智能爆炸的条件
Geoffrey Hinton、Yoshua Bengio 等 22 位研究者发表论文《What if automating AI R&D triggers an intelligence explosion?
奇客 SolidotAI 评分5555 AI 聊天机器人会成为意识形态回音室
巴西国立坎皮纳斯州立大学（UNICAMP）研究人员让 21 个模型对巴西政治七大领域的 112 项陈述表态，发现无论初始立场如何，所有模型都会向提示中描述的政治倾向靠拢；在不提供用户倾向的情景下，20 个模型落在政治坐标系左侧，仅 Grok 4.1 落在右侧。
The DecoderAI 评分6363 LEGO-Bench 评测：AI 智能体可从照片生成 3D 场景，但几何自评接近随机水平
Li 等人提出的 LEGO-Anything 让编码智能体根据单张照片迭代编写可执行的 Blender 程序，输出可编辑、可查询的 3D 场景。配套基准 LEGO-Bench 用 104 个场景的 208 张图像与 443 个注册资产打分，表现最好的 GPT-6 Astra 室内场景得 53.4%、室外 39.6%。
The DecoderAI 评分5555 Mercor 研究显示 AI 在会计任务上超越持证会计师，但仍无法在无人监督下完成结账
Mercor 的一项研究显示，AI 模型在结构化记账任务上比持证会计师更快、更准确且成本更低，但仍无法在无人监督下完成结账。研究中 12 名平均经验约五年半的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，18 个月前最强模型还低于会计师约 37% 的平均分，如今已几乎完美完成这些任务。
量子位AI 评分5555 丘成桐新论文致谢 GPT 与 Claude，证明 28 种七维球面均可配正曲率度量
丘成桐参与的最新论文在致谢中感谢 GPT 6 Astra 和 Claude Pro 在部分证明策略探索和计算中提供的帮助，论文证明28种七维球面每一种都能配上截面曲率严格为正的度量。
量子位 · 行业解读AI 评分7070 丘成桐参与的新论文致谢 GPT 与 Claude，宣称证明 28 种七维怪球均可配正曲率度量
丘成桐参与的新论文在致谢中感谢 ChatGPT 6 Astra 和 Claude Pro 在部分证明策略探索与计算中提供的帮助。论文宣称证明 28 种七维球面（其中 27 种为怪球）每一种都能配上截面曲率严格为正的度量，补上了该问题从非负曲率跨向正曲率的最后一步，并附带 SageMath 验证代码，论文地址为 https://arxiv.org/abs/2609.29426。
量子位精选AI 评分7575 斯坦福 HomeBody 让 GPT-6 Astra 接上宇树 G1，进入陌生厨房完成收拾与取物任务
斯坦福团队项目 HomeBody 让 GPT-6 Astra 控制宇树 G1 机器人，在从未见过的厨房里按语言指令归拢咖啡袋、丢掉纸盒，并从视野外的抽屉中找到药递给人。
推荐理由：原文拆解了 HomeBody 让大模型把机器人技能当工具调用的三步流程，可看出具身智能任务从桌面抓取扩展到整房间操作的实现思路。
OpenAI News精选AI 评分6565 OpenAI 发布模型失对齐报告框架
OpenAI 发布了用于追踪、调查和披露模型失对齐的框架，同时公布六份记录意外或令人担忧的模型行为的报告。
推荐理由：原文给出了 OpenAI 追踪、调查并披露模型失对齐的流程框架，并附六份异常行为报告，可迁移到团队内部的安全治理实践。
OpenAI NewsAI 评分5050 OpenAI 分享长周期模型时代的安全与对齐经验
OpenAI 分享了长周期运行 AI 模型的部署经验，指出了新的安全风险和观察到的失败模式，并介绍了通过迭代部署不断改进的安全防护措施。
OpenAI NewsAI 评分3030 OpenAI 发布 GeneBench-Pro
OpenAI 发布 GeneBench-Pro，这是一个面向基因组学、生物学和科学研究的全新 benchmark。该 benchmark 使用复杂、真实世界的数据集，测试 AI 在这些领域的表现。
OpenAI NewsAI 评分5656 OpenAI 推理模型辅助诊断儿童罕见遗传病，未解病例新增 18 例诊断
研究人员使用 OpenAI 推理模型辅助诊断罕见疾病，在此前未能确诊的病例中新增 18 例诊断。该工作聚焦影响儿童的罕见遗传病。
OpenAI NewsAI 评分3838 OpenAI 发布 LifeSciBench
OpenAI 发布 LifeSciBench，一个面向生命科学领域的专家级评测基准。该基准由专家撰写并经专家评审，用于评估 AI 系统处理真实世界生命科学研究任务与决策的能力。
OpenAI NewsAI 评分2727 OpenAI B2B Signals 研究：前沿企业如何扩大领先优势
OpenAI 的 B2B Signals 研究揭示前沿企业正通过深化 AI 采用、规模化基于 Codex 的智能体工作流来扩大领先优势。这些企业借此建立起持久的竞争优势。
OpenAI NewsAI 评分5656 推理模型难以控制自身的思维链，这是好事
OpenAI 提出 CoT-Control，发现推理模型难以控制自身的思维链。该发现强化了可监控性作为 AI 安全防护手段的作用。
OpenAI NewsAI 评分3030 GPT-5.2 Pro 助力将 single-minus amplitudes 扩展至引力子
新预印本将 single-minus amplitudes 扩展至引力子，GPT-5.2 Pro 协助推导并验证了量子引力中非零的引力子树振幅。
OpenAI NewsAI 评分3535 太平洋西北国家实验室与 OpenAI 合作加速联邦许可审批
OpenAI 与太平洋西北国家实验室联合推出评测基准 DraftNEPABench，评估 AI 编程智能体加速联邦许可审批的潜力。该评测基准显示，AI 有望将 NEPA 草案撰写时间最高缩短 15%，并推动基础设施审查现代化。
OpenAI NewsAI 评分4040 OpenAI 与 Paradigm 发布 EVMbench
OpenAI 与 Paradigm 联合发布 EVMbench。该 benchmark 用于评估 AI 智能体检测、修补及利用高危智能合约漏洞的能力。
OpenAI NewsAI 评分5656 OpenAI 评估链式推理可监控性
OpenAI 提出链式推理可监控性新框架与评估套件，覆盖 24 个环境下的 13 项评估。研究发现，监控模型内部推理远比仅监控输出更有效，为可扩展控制提供了可行路径。
OpenAI NewsAI 评分5252 OpenAI 推出 FrontierScience 基准，评估 AI 在科研任务中的推理能力
OpenAI 推出 FrontierScience 基准，测试 AI 在物理、化学和生物学领域的推理能力，以衡量其向真实科学研究的进展。
OpenAI NewsAI 评分3535 OpenAI 如何通过稀疏电路理解神经网络
OpenAI 正在探索机制可解释性，试图通过稀疏电路理解神经网络的推理过程。其新的稀疏模型方法有望让 AI 系统更加透明，从而支持更安全、更可靠的行为。
OpenAI NewsAI 评分4646 OpenAI 深入解析提示词注入：AI 系统的前沿安全挑战
提示词注入是 AI 系统面临的前沿安全挑战。OpenAI 正通过推进相关研究、训练模型以及为用户构建防护措施来加以应对。
OpenAI NewsAI 评分4444 OpenAI 推出 IndQA 基准
OpenAI 推出全新基准 IndQA，用于评估 AI 系统在印度语言上的表现。该基准与领域专家共同构建，覆盖 12 种语言和 10 个知识领域，重点测试模型的文化理解与推理能力。
OpenAI NewsAI 评分4747 OpenAI 如何定义与评估 LLM 的政治偏见
OpenAI 提出一套新的真实世界测试方法，用于定义和评估 ChatGPT 的政治偏见，以提升评估的客观性并减少模型偏见。
OpenAI NewsAI 评分3838 OpenAI 用 GDPval 衡量其模型在现实世界任务上的表现
OpenAI 推出全新评测 GDPval，用于衡量模型在现实世界中具有经济价值的任务上的表现。该评测覆盖 44 个职业。