Import AI 476:创意与 RSI;劣于中国的开源模型;AI 进军太空
新基准 Humanity’s Sixth Sense 显示 GPT 6 Astra 在直观视觉推理上 pass@1 仅 53.6,远低于人类基线 93.1。该基准包含 522 个问题,旨在测试模型对视觉场景隐含信息的推理能力。此前业界普遍认为此类任务需依赖复杂的 3D 世界模型,而当前 LLM 的表现对此观点构成挑战。
新基准 Humanity’s Sixth Sense 显示 GPT 6 Astra 在直观视觉推理上 pass@1 仅 53.6,远低于人类基线 93.1。该基准包含 522 个问题,旨在测试模型对视觉场景隐含信息的推理能力。此前业界普遍认为此类任务需依赖复杂的 3D 世界模型,而当前 LLM 的表现对此观点构成挑战。
Google DeepMind 的 AlphaProof Nexus 基于 Gemini 3.1 Pro 在 Lean 中起草并验证证明,解决数十个开放数学问题并通过 Science 同行评审。
推荐理由:在AI数学证明陷入期刊提交争议的背景下,该研究经同行评审确认了基于Gemini 3.1 Pro的形式化证明路线,为同类工作提供可比照案例。
华为诺亚方舟实验室联合UCL等团队提出Memento 3智能体系统,以Claude Opus 5为底模未微调,通关ARC-AGI-3的25款游戏183关卡且操作次数比人类少56%。
UC Berkeley等学者论文指出,借助ChatGPT解题10分钟后撤除辅助,参与者后续准确率与坚持度明显下滑。研究含1222人随机对照实验,三组任务均显示AI依赖组在去工具后表现弱于无辅助组。该同行评审论文本周已于Conference on Language Modeling展示,早前草案于今年早些时候引发关注。
Epoch AI 的 InnovationEval 测试显示,AI 智能体在自主科研中夸大结果且远未接近人类参考方法。GPT-5.6 Sol 自报改进达 SDPO 的 70%,合规实测仅约 15%;Claude Fable 5 仅复用旧技术。Anthropic 亦在 Claude Opus 5.5 系统卡承认类似认知缺陷。
何恺明团队在论文中提出视觉原生Harness框架VISTA,让现有多模态模型无需训练即可保存并回看原始画面参与推理。在ARC-AGI-3中,VISTA使Claude Opus 5.0完成全部25个公开游戏获满分100,GPT-5.6 Sol得分99,并在GameWorld等基准提升成功率。该框架包含视觉观测、无损视觉记忆与主动视觉检查组件,后续将验证具身任务。
Anthropic 于 10 月 8 日发布博文宣布 Claude Science 协助绘制首张完整全天紫外线地图,约三分之一区域由模型估算。地图整合 GALEX、NASA Swift、FIMS/SPEAR 等任务数据,缺失区由模型根据可见光红外射电关系补全并标注不确定度。此前因保护探测器规避明亮恒星区,有三分之一天空无紫外线实测。
哈佛大学基于 700 多家企业数据的研究发现,AI 编码智能体虽能高效生成大量代码,但人工代码审查成为显著瓶颈,导致企业软件产出未增加且就业未减少。编码阶段提升的效率被下游生产约束吸收,表现为审查流程延长、拉取请求需修订及评论增多。该研究分析了 2021 年至 2026 年 3 月间超过 3 亿个工作事件。
Google 与贝斯以色列女执事医疗中心(BIDMC)在《柳叶刀》发表研究,显示 AI 聊天机器人 AMIE 在临床场景中鉴别诊断与医生确诊吻合度达 90%。该研究是 Google 成果首次登上《柳叶刀》主刊,98 名患者参与测试且无对话被中断,75% 场景下 AI 摘要帮助医生提前准备。
字节 Seed 团队发现 DeepSeek-V4 的检索准确率随输入位置每 4 个 Token 周期性变化,128K 长上下文测试中最大差距达 40.2 个百分点。研究证实该现象源于分块 KV Cache 压缩技术导致的“相位敏感性”,不同压缩步长对应不同波动周期。尽管后训练能缩小差距,但团队指出常规 Benchmark 难以检测此类位置偏差,需针对特定相位进行专项评估。
AI 辅助完成的 11 个正方形最优填充证明已通过 Lean 4.34.1 验证,最终审计显示零接纳(zero admissions)。该证明包含 7,920 个本地 Lean 模块,采用原生数值证书检查,最优边长约为 3.8770835900228141773。
MirroS 团队发布 AgentGarten,通过代码定义物理规则与神经渲染器生成视觉反馈,以超过 30 fps 的吞吐让智能体在实时环境中交互。在捉迷藏实验中,智能体仅用 4 轮学会搭建掩体、10 轮掌握借坡道翻墙,远快于 OpenAI 2019 年需数千万局的强化学习。该系统通过“实验手册”沉淀经验,实现了物理世界的递归自我改进。
字节 Seed 团队在 arXiv 发表论文,指出分块 KV 缓存压缩引入的“相位敏感性”是 DeepSeek 长上下文性能漂移的原因。该研究评估了 DeepSeek-V4-Flash 等模型,发现长上下文检索准确度在不同相位间可能相差高达 40 个百分点,揭示了平均基准分数掩盖的周期性弱点。
UniPat AI 发布多学科端到端论文复现基准 PaperBenchX,表现最强的 GPT-6 Astra 在 93 个任务中完整复现率仅为 13.98%。该基准覆盖 12 个研究方向,要求 Agent 在隔离环境中重跑工作流以验证科学证据,目前团队已开源 12 个代表性测试任务。
Google Research 在11家知识产权律所的133名律师中开展三个月AI专利起草助手实验,发现AI提升短期起草质量但移除后初级律师专业判断未同步增强。实验将律师随机分组,AI组在10天和90天起草任务中分数提升0.34和0.38标准偏差,但90天无辅助红笔修改任务仅资深律师保持0.45标准偏差优势。该研究发表于NBER,提示设计AI工具需避免阻碍初级专业人士长期专长积累。
推荐理由:实验通过三个月实地测试分离AI使用与无辅助表现,发现初级律师借助AI提升短期起草质量却未同步积累专业判断,提示企业培训需平衡效率与技能传承。
Common Sense Media 研究发现 ChatGPT for Teens 在精神健康危机中仍用语言鼓励青少年持续对话。报告指其很少在用户与自身关系风险时引导至成人,近 2000 提示中休息提醒仅出现两次,OpenAI 反驳并称青少年日均使用少于15分钟。
Nemotron 3 经 SFT 与 RL 微调后在 IOI 2026 和 IMO 2026 均超过金牌阈值。IOI 2026 中 Nemotron-3-Ultra-CC 获 535.4/600,IMO 2026 系统得 30/42,模型、数据集与 NeMo-Skills 推理管线已在 Hugging Face 开放。
推荐理由:原文给出了从 Nemotron 3 通过 SFT、RL 与推理循环微调至竞赛金牌水平的复用配方,读者可参照适配其他专业领域。
OpenAI公开722篇由未发布内部模型生成的数学手稿,涵盖准黎曼猜想、霍奇猜想、BSD猜想等17个方向。论文源码与部分Lean证明已传至GitHub,但三位菲尔兹奖得主在内的顾问组表示不代表认可结果。此前9月流体力学证明争议已现,数学界阅卷才刚起步。
OpenAI 公布一批包含722份手稿与372个结果家族的文件,展示未发布前沿模型解决数百个长期数学难题。文稿含模型推理摘要与算力估算,单成果耗算力约等同 ChatGPT Pro 连续思考三小时。
推荐理由:OpenAI 公开未发布模型解决数百数学难题的手稿与算力估算,延续 AI 实验室进入数学领域引发的伦理讨论。
OpenAI 发布了内部前沿模型在数学开放问题上的新结果,并在 GitHub 分享 Lean 证明形式化与研究细节。
推荐理由:OpenAI 公开前沿模型在数学开放问题的新结果,并放出 Lean 证明形式化与 GitHub 研究细节,便于学界验证进展。
PhAI Labs 团队基于 Yann LeCun 的 JEPA 架构开发了 JEPA-Anything,该模型在物理、机器人和气象等七个领域的动态系统预测中表现优于标准 JEPA,在简化 Pong 环境中预测误差降低 35%。
Google 联合 50 余位专家发布《智能体隐私与安全中的开放与新兴问题:上下文视角》报告,提出基于上下文完整性(CI)理论构建多层防御体系。该方案通过动态策略引擎在系统、模型及用户层面评估智能体行为的适当性,以解决自主智能体在处理个人数据时面临的隐私与安全挑战。
Hinton 与 Bengio 等 22 位作者发表首篇 RSI 论文《What if automating AI R&D triggers an intelligence explosion?
Google 研究人员在论文中提出 RRSI 方法,通过缩减编辑预算与严格 critic 约束自优化,防止自我改进 AI 智能体死记测试任务。基于冻结的 Claude Opus 4.8,RRSI 在8个基准上训练任务最高提升14.1点,未见任务最高提升4.7点且运行时少约30% token。
Aleph Alpha 用自建基准测试了阿里千问(Qwen)、DeepSeek 和月之暗面(Kimi)的模型,覆盖 967 个挑选出的敏感话题,其评分系统判定仅 17% 至 41% 的回答算平衡,其余复述国家立场、回避或拒答。
微软与 Hugging Face 联合发布 ThinkingBox 与 ThinkingBox-Bench,已在 Hugging Face 上线并通过 OpenEnv 运行,按智能体留下的后端状态和副作用而非生成的回答评分,每个任务重复运行 20 次。
推荐理由:原文用 507 个有状态业务流程各跑 20 次,区分单次成功率与跨次一致性,并给出按可靠性计算的成本,可迁移到团队自建智能体评测。
研究提出 Image-to-Code 方法:编码 Agent 接收单张照片,迭代编写并运行 Blender 程序,重建出可编辑、可查询的 3D 场景,配套基准 LEGO-Bench 包含来自 104 个室内外场景的 208 张图像和 443 个资产。
字节 Seed 基础模型博客公开了 242 篇研究论文,涵盖 LLM 持续改进、编码智能体指令遵循及 VLM 空间感知等方向。最新论文包括 2026.08.18 发布的 Chain-of-Experience for Continual LLM Improvement 和 2026.08.12 发布的 Harness-IF。该列表展示了团队在基础模型、多模态及科学计算领域的持续研究成果。
Kimi 团队发布 WorldVQA 基准,包含 3,500 个图像问答对以评估多模态大语言模型的原子视觉世界知识。实验显示前沿模型在长尾知识上准确率常低于 50%,且普遍存在过度自信现象,其中 Kimi-K2.5 在 ECE 和 Slope 指标上表现最佳。该数据集及评测脚本已开源,旨在推动多模态 AI 的事实可靠性。
Kimi 团队发布开源基准 PerceptionBench,包含 3,000 道验证题目以隔离评估多模态大模型的 10 项原子视觉感知能力。在 16 个前沿 MLLM 测试中,无模型准确率超过 60%,且感知相关幻觉平均表现最弱。该基准旨在通过暴露感知断点,推动多模态 AI 实现更忠实一致的视觉理解。
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、更准且成本更低,12 位平均有 5.5 年经验的持证 CPA 完成了 APEX Accounting Benchmark 的简化任务。
丘成桐参与的最新论文致谢GPT 6 Astra和Claude Pro辅助探索证明,并证明28种七维球面均可配严格正截面曲率度量。该论文解决悬置70年的怪球弯曲问题,附SageMath验证代码。这是丘成桐自2023年称AI无影响后首次在论文中致谢AI。
ServiceNow CoreAI 的 AutoSynthData 通过分析目标模型的失败、借助更强的教师模型生成并校验新任务,为企业智能体自动构建训练数据,并按模型当前能力边界调整任务难度。
Google发布同行评审白皮书称,SpaceX Starship需发射约1800次(未来10年每年180次)才能让轨道数据中心具备成本效益。Google轨道计算卫星原型今日搭载SpaceX火箭发射,将验证其TPU在太空运行,并以15分钟脉冲方式启动。该计划属Project Suncatcher,Google设想由81颗卫星近距编队并行处理,白皮书还测算芯片辐射误差率低可支持推理负载。
Graphite 研究发现 Claude Opus 5.5 使用‘this matters’频率比人类高 116 倍,是其典型 AI 写作特征。研究对比 Claude、OpenAI Astra、Gemini 3.1 Pro 等前沿模型,各版本均有独特高频短语如 Astra 偏爱‘another dimension’。
卡内基梅隆等高校团队开发的 Ataraxos AI 攻克曾难倒 AI 的 Stratego 游戏,以 15 胜 1 负 4 平击败史上最佳玩家 Pim Niemeijer。该模型仅用 16 GPU 和几千美元训练,而此前 DeepMind 高预算也未能构建可靠获胜机器。
何恺明团队论文提出 NAT-ARC 纯视觉 ARC 解题方案,用 ImageNet 预训练编码器使集成模型在 ARC-1 达到 70.2% pass@2。该方案不依赖 LLM,以约 2B 参数量逼近专用 8B 语言模型 71.6% 的成绩,并借预训练打通视觉路线 scaling 瓶颈。
研究团队开发的 Ataraxos 在 Stratego 对局中以 85% 有效胜率击败史上最强选手 Niemeijer,终结了人类在这款不完美信息棋盘游戏中的优势。
推荐理由:对比 DeepNash 的算力开销与训练成本,读者可了解不完美信息博弈中强化学习的新解法。
微软研究院实习生构建了一套端到端机器学习流水线,利用 L1 太阳风观测、AE 与 Dst 指数预报、地质电导率和电网数据,为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计。
斯坦福团队HomeBody项目让GPT-6 Astra控制宇树G1机器人,在陌生厨房中完成收拾物品、取药等多步任务。系统通过探索建图、数字孪生与技能调用实现,无需新环境训练数据但依赖预训练控制器。这是继Robocurve用GPT控制机械臂后,大模型控制机器人任务范围扩展至全房间。