OpenAI 在 GitHub 仓库发布 372 条由内部前沿模型生成的数学结果，称每条结果都针对某个开放问题或其实质性进展。多数证明附有 Lean 形式化，平均每条消耗约三小时 ChatGPT Pro Thinking 算力；此前 Navier-Stokes 解法需要一万个智能体和数百万美元算力，而这次几乎每条结果都来自对单个智能体的单次提示。
推荐理由：原文对比了单次提示与万智能体集群的算力成本差距，并说明 Lean 形式化验证如何缓解人工审稿瓶颈。
OpenAI 将内部前沿数学模型的 722 篇手稿（分为 372 个结果族）公开到 GitHub 仓库，模型本身仍未发布；结果来自约 4000 个研究问题的评估，平均每个耗费约 3 小时 ChatGPT Pro 算力，发布前咨询了高等研究院的数学与 AI 顾问组。
推荐理由：本期以 OpenAI 内部数学模型公开 722 篇手稿为主线，并汇总 Mistral Large 4 等同期发布，便于对照一周 AI 动态。
OpenAI 通过 GitHub 代码库公开其内部前沿大模型生成的一系列全新数学研究成果，并附带论文修订与引用的规范协议。成果包含 Lean 语言形式化证明，可让数学证明内容直接通过计算机完成校验；单份成果平均消耗的算力约等于 ChatGPT Pro 三小时的深度推理时长。
OpenAI 公布了由一款未发布前沿模型产出的数学研究成果，共 722 篇手稿、覆盖 372 个结果族，据新成立的数学顾问组 AGMAI 称其中包含数百个开放问题的解答。
推荐理由：原文给出了这批成果的手稿数量、结果族规模与算力消耗估算，并呈现了数学界围绕发布伦理的争议，读者可据此判断此类成果的分量。
wren6991 使用提示词“生成穿渔网袜的犰狳在火星乱穿马路的 SVG”对 Mistral Large 4 等前沿模型进行了趣味测试。测试分别调用了 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 与 mistral/mistral-large-4，并列出各自的默认推理等级。此举调侃传统 benchmark 已趋于饱和，转而用创意提示词检验模型实力。
Mistral 发布 Mistral Large 4 预览版：1 万亿参数、49B 激活参数，在自有的 3,800 块 NVIDIA Grace Blackwell GPU 集群上训练。
UT Austin 数学系主任透露，OpenAI 正准备发布 400 个由 AI 生成的数学证明。
Reflection 发布首个免费模型 Beam，面向编码、逻辑推理与智能体任务，MoE 架构总参数 501B、每 token 激活 23B。公司称 Beam 在高难度推理任务上以 3 到 4 倍更少的算力匹配 GLM 5.2，编码与智能体基准接近 Qwen3.8-Max，但原始性能仍弱于 Kimi K3。
推荐理由：原文给出 Beam 与 GLM 5.2、Qwen 3.8 的同性能算力对比，读者可据此判断低算力开源模型的竞争位置。
OpenAI 宣布已解决 Navier-Stokes 存在性与平滑性问题，若获验证将成为第二个被攻克的千禧年难题，在数学界引发激烈争议。Fields Medalist Peter Scholze 称科技公司把这些难题当作 benchmark 和 PR stunt，Geordie Williamson 批评 OpenAI 行为不当。
过去一年，OpenAI、Anthropic 等 AI 实验室接连宣布攻克多项长期悬而未决的数学难题，其中甚至包括一道千禧年大奖难题，相关成果本应受到赞誉，却在学术界引发强烈反弹。数学家要求 OpenAI 证明其突破没有使用他们的工作，OpenAI 则表示正咨询顶尖数学家以避免重蹈覆辙。这些承诺能否兑现仍有待观察。
Reflection AI 正式发布首款前沿开放权重模型 Beam，为 501B 总参数、23B 激活参数的纯文本 MoE 模型，预训练数据 23.8T tokens，上下文窗口 100 万 token。
推荐理由：原文把 Beam 的参数规模、上下文窗口与 GLM-5.2 等对手并列对比，读者可据此判断其低算力成本主张的分量。
TaxCalcBench 基准以美国报税表 Form 1040 的形式呈现排行榜，评测前沿 AI 模型能否独立完成报税计算这一步。2025 税务年度版（v2）难度显著升级，输入改为 W-2、1099 等真实 PDF 文档，新增州报税并覆盖更复杂的财务情形，共测试 38 个模型、50 份报税表。评测指标包括严格正确率、±$5 宽松正确率、逐行正确率，以及每份报税的 API 成本与生成时间。
OpenAI 宣布其模型解决了数学界最著名的问题之一，随即引发关于作者身份与学术标准的争议。Scott Aaronson 称人类数学家已不再是地球上主要的定理证明实体，而 AI 证明虽经逻辑验证却跳过了数学家赖以为生的理解过程。
推荐理由：原文记录了数学界对 AI 证明定理的集体焦虑与分歧，读者可据此判断纯数学领域的激励结构将如何被改写。
Simon Willison 在 DGX Spark 上测试了 Qwen3.8-27B-Q4_K_M.gguf 的英文单词加法能力。禁用推理时，5,070 个测试的数值准确率仅 23.57%，随操作数位数增加从 97.04% 降至 6.44%，格式合规率为 96.17%。开启中等推理后，169 次单次测试中答对 167 次，准确率大幅提升。
DeepMind 研究人员提出“人工共生智能”（Artificial Symbiotic Intelligence），主张智能是人与机器协作的社会现象，而非孤立机器个体的属性，以此挑战单一超级智能自我改进驱动的奇点叙事。
量子位整理了TypeSafe AI联合创始人兼CEO Diogo Almeida的Latent Space访谈，Jev估值达100亿美元。他主张以机器原生、可编程的System-One决策内核取代聊天范式，强调可靠性而非跑分，并透露Jev日处理量已突破一万亿token，在第三方JevBench v1.2.1综合榜中Jev 1.13.0以75.3分排名第一。
OpenAI 发布 GPT-6 系列模型选择指南，帮助初创企业挑选合适的 GPT-6 模型。指南还涵盖调节推理强度、改进提示词与技能、协调工具，以及为生产环境准备工作流等实践。
曾参与构建 AlphaGo 的作者指出，LLM 只是反复预测下一个 token，属于快速的直觉式系统，并不具备真正的推理能力。CoT 仍由同一个预测过程迭代生成，模型还常在事后编造推理路径，缺乏可检查的持久知识状态。他因此离开 Google DeepMind，主张借鉴 AlphaGo 的博弈树搜索架构，为 AI 建立可维护、可检验的推理机制。
MIT博士生 Alex Zhang 在 Latent Space 访谈中解释 RLM（Recursive Language Model）：一种唯一工具是代码、模型可递归调用自身、上下文始终卸载到代码环境内存中的 harness 设计。
推荐理由：访谈给出了 RLM 作为 harness 设计的具体机制和组合泛化证据，读者可据此判断它与 Claude Code、Codex 这类轨迹即提示词框架的差异。
GPT-6 Astra Ultrafast 现已在 OpenAI API 上线，并向符合条件的 ChatGPT Work 和 Codex 用户开放，运行于 NVIDIA Blackwell GPU，token 生成速度最高比 Astra Standard 模式快 8 倍。
推荐理由：原文给出 Ultrafast 相对 Astra Standard 最高 8 倍的提速幅度与编码工作流影响，读者可据此判断是否切换到该模式。
Google 首次把自研 TPU 送入太空，其轨道计算卫星原型机今天搭载 SpaceX 火箭从加州升空，由 Planet Labs 制造，将验证 TPU 能否在太空获得千瓦级持续供电、完成散热并运行模型。
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet MAE预训练encoder再迁移到抽象格子推理。最佳单模型参数量0.6B，在ARC-1上pass@2达63.4%，集成后达70.2%；作为参照，专用LLM系统The ARChitects用8B模型拿到71.6%。
推荐理由：论文显示ImageNet自然图像预训练可迁移到ARC抽象格子推理，用约四分之一参数量逼近专用LLM系统。
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1 拿到 77.9%、CWE-bench v1 拿到 68%，并以 68.90% 登顶 Vals Index、1525 分位居 Text Arena 第一。
推荐理由：原文并列了 Argon 与 GPT-6 Astra、Opus 5.5 的跑分和定价对比，读者可据此判断这代旗舰模型的实际位置。
何恺明团队提出 NAT-ARC，一套不依赖 LLM 的纯视觉 ARC 解题方案，用 ImageNet MAE 预训练 encoder 再迁移到抽象格子推理。表现最好的单模型参数量 0.6B，在 ARC-1 上 pass@2 达到 63.4%，集成后达到 70.2%，对标用 8B 语言模型微调的 The ARChitects 的 71.6%。
OpenAI 发布 GPT-6.1 Sol，性能接近 GPT-6 Astra，价格仅五分之一，事实性错误率降低约 32%。该模型在 DeepSWE v1.1 追平 Astra，已在 ChatGPT Work 和 Codex 可用，API 输入每百万 token 2 美元。OpenAI 同日还发布由 GPT-6 Astra 驱动的始终在线智能体 dots。
Google 正式发布 Gemini 4 Argon，官方跑分中 18 项测试有 13 项领先，输出上限从 6.4 万 token 拉升至 100 万 token。
推荐理由：原文对比了 Gemini 4 在知识、写作与编程能力上的表现差异，并给出定价对照，便于判断其适用场景。
Google 发布 Gemini 4 Argon，这是自 Gemini 3.1 Pro 以来七个多月的首款前沿模型，初步评测追平 GPT-6 Astra 但仍未超过 Claude Opus 5.5。
推荐理由：借助 Artificial Analysis 与 Arena 的独立评测，可以看出 Argon 在推理与写作上追平 GPT-6 Astra，但 token 消耗更高、应用体验仍落后。
OpenAI 与 Synopsys 签署多年战略合作协议，共同打造面向芯片设计的专用 AI 模型 GPT-Synopsys。该模型结合 OpenAI 的 AI 技术与 Synopsys 的 EDA 工具，目标是能够对芯片设计与验证进行推理并直接操作 Synopsys 工具，由工程师委派设计目标并审核批准输出。
OpenAI研究员、o1核心作者Noam Brown在最新播客中表示，1万个Agent耗时88小时解出千禧年数学难题，多智能体最多只占10%功劳，核心在于模型本身足够强大。他透露当前多智能体测试规模最多仅16个Agent，并认为受限于实验串行与GPU等瓶颈，递归自我改进不会带来一夜之间的百倍智能爆炸。他还警告思维链可监测性正在下降，需在模型能执行长周期任务前尽快解决对齐问题。
推荐理由：OpenAI 推理负责人亲自拆解万 Agent 解题的能力归因，并给出对递归自我改进与对齐难题的内部判断。
Basis 用 GPT-6 Astra 完成包含 50 个工作表的税务工作簿，速度比 GPT-5.6 Sol 快 2 倍。GPT-6 Astra 对用户意图的理解更强，让 Basis 在实际使用中更有信心。
傅盛结合与 GPT 用 Voice 聊天做项目的场景，分享了如何避免陷入“不知道自己不知道”的认知陷阱。他指出模型因基于语言概率生成内容而产生幻觉，大家正通过搜索、Agent、Harness 及评估器（如 Lean 证明系统）帮其判断对错。人也应给自己装一个评估器，在自信时反问“如果我是错的呢”，通过自我博弈不断纠错。
Radical Numerics CEO Eric Nguyen 指出，提升生物学能力的基因组语言模型（GLM）同样能让防御不落后于生物安全军备竞赛。他曾参与领导 Evo 与 Evo 2 的开发，这些模型后被用于生成完整噬菌体基因组、并合成出功能性病毒。其团队还用 aptamer 数据集证明模型能在 DNA 语言上实现链式推理，自主延续未展示过的高分序列。
赵志民综述递归自我改进（RSI），提出持久改进、自主闭环、递归增益、稳健可控四条判断标准，并沿五次边界推进梳理从 EURISKO、AlphaZero 到 GPT-5.6 的自我改进脉络。文章指出有界自我改进闭环已经出现甚至产生净正收益，但改进后系统持续提升自身改进能力的公开证据仍然不足；GPT-5.6 的 RSI 指数 57.9% 因题目、权重和聚合公式未公开，只能视为内部综合指标。
Anthropic 于 9 月 22 日发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna。GPT-6 Luna 与 Sol 定价仅为 GPT-5.6 同名型号的一半，Luna 为 $0.10/M 输入与 $0.50/M 输出；Opus 5.5 则比 Opus 5.0 便宜 20%，缓存读取价格下降 60%。
推荐理由：作者把一天内发布的四款新模型放进同一张定价对照表，并给出实测印象，读者可据此判断这轮价格战如何改变模型选型。
腾讯一位工作 15 年的资深搜索后台工程师，2025 年初卸下管理头衔加入 AI Infra 团队，从零开始投身大模型推理工程，并精读 SGLang 源码。他建议新人先建立 Transformer 模型结构与 TTFT、TPOT、QPS 等评估指标的体系化认知，再按业务层、调度层、算子层分层拆解，并围绕 PD 分离、分布式 KV Cache、推测解码等方向深入实践。
上周 TypeSafe AI 发布 Jev，一种被称为 System One 的决策模型：接收文本或半结构化输入，直接输出分类、是非判断、评分及置信度等浮点数结果，而非文本。
推荐理由：文章梳理了 Jev 这类决策模型的输入输出形式、计费方式与适用场景，并提示了纯数值输出带来的黑盒偏见风险。
TypeSafe 推出 JEV 模型，它不生成自由文本，只针对输入返回选择、评分或布尔判断，定位为“快思考”的 System 1 模型。
推荐理由：文章对比了 JEV 与普通 LLM 在判断任务上的差异，并给出把任务拆成小判断加代码组合的适配方法，便于判断是否要改造现有工作流。
傅盛分析认为，Jev 不是大语言模型，而是只做选择、评分和成立性判断的 System One Model，写文章、写代码、从零搭系统仍然要靠 GPT、Claude 这类模型。
NVIDIA 公布 MLPerf Inference v6.1 结果，Vera Rubin NVL72 首次预览提交即在 DeepSeek-R1 与 Qwen3-VL 上取得领先性能。
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模与成本效率，后者面向高复杂度任务的多步推理。
推荐理由：原文给出了两款实时语音对话模型的能力定位与基准成绩，读者可据此判断它们在语音智能体场景中的适用性。