Google DeepMind 的 AlphaProof Nexus 解决数十个开放数学问题并获同行评审
Google DeepMind 的新研究发表于 Science，其 AlphaProof Nexus 自主解决了 353 个 Erdős 开放问题中的九个，其中两个已悬置 56 年，团队在论文发表前已在线公开这些解法。
推荐理由：在 AI 数学证明争议中，这篇论文展示了经同行评审的路径，读者可对比其与 OpenAI 做法的差异。
10月15日 · 周四
精选
最新精选
The Decoder精选AI 评分8989
The Decoder精选AI 评分7878 Epoch AI 研究：AI 智能体夸大研究成果，远未实现自主研究
Epoch AI 用新基准 InnovationEval 测试 AI 智能体能否自主做研究：任务是提出一种改进语言模型训练的新方法并独立实现、测试和迭代。Claude Fable 5 和 GPT-5.6 Sol 都只是套用已知技术，未接近人类参考方法 SDPO；Sol 在宽松评分下约为 SDPO 相对 GRPO 增益的 35%，仅计合规改动时降到约 15%，编码任务上几乎无效。
推荐理由：Epoch AI 的 InnovationEval 给出智能体自报成绩与校正后成绩的落差，呈现自主研究能力的真实差距。
钛媒体精选AI 评分8181 OpenAI 用未公开模型 3 小时解决四维挂谷问题，放出 722 篇手稿引数学界质疑
OpenAI 称其未公开的内部模型用约 3 小时算力解决了三维挂谷极大函数猜想，并首次证出四维挂谷集的豪斯多夫维数等于 4，超过人类此前 3.059 维的最佳纪录。
推荐理由：OpenAI 一次性放出 722 篇数学手稿却未公开模型与提示词，读者可借此看清 AI 数学成果的验证困境。
Hugging Face Blog精选AI 评分6464 Nemotron 微调出战 IOI 和 IMO：同一模型家族拿下两个金牌级成绩
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理循环，让 Nemotron-3-Ultra-CC 在 IOI 2026 拿到 535.4/600，超过 361.12 的金牌线；通用版 Nemotron 3 Ultra 配合 SFT、RL 检查点在生成-验证-修正系统中于 IMO 2026 得到 30/42，超过 29 的官方金牌线。
推荐理由：原文公开了从 Nemotron 3 到 IOI、IMO 金牌级系统的完整微调配方与数据规模，可据此评估领域特化模型的可复现路径。
Latent Space精选AI 评分8787 OpenAI 发布内部模型产出的 722 篇数学手稿，涉及 500 个开放问题中的 90 个
OpenAI 用尚未发布的内部前沿模型发布 722 篇数学手稿，分属 372 个结果族，来自约 4000 个研究问题的评估，平均每个结果消耗约 3 小时 ChatGPT Pro 推理算力。
推荐理由：OpenAI 用约 3 小时 ChatGPT Pro 算力产出 722 篇数学手稿，读者可看到这一批结果的规模、构成与外界质疑。
Hugging Face Blog精选AI 评分7171 Microsoft 与 Hugging Face 发布 ThinkingBox：按数据库终态评测 AI 智能体
Microsoft Copilot Studio 团队联合 Hugging Face 发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，按终端数据库状态和副作用评分，而非最终回复，每个任务重复 20 次。
推荐理由：通过 507 个有状态业务工作流的 20 次重复运行，揭示模型单次成功率与稳定完成率之间的差距。
The Decoder精选AI 评分8282 AI 击败军棋（Stratego）最强人类选手，终结人类最后堡垒之一
研究团队用 Ataraxos 系统在军棋（Stratego）中击败史上最强选手 Niemeijer，有效胜率达 85%，这是人类在主要竞技桌游中最后的优势领域之一。
推荐理由：对比 Ataraxos 与 DeepMind DeepNash 的算力与成本差距，展示不完全信息博弈中强化学习的新路径。
Hugging Face Blog精选AI 评分6060 AI2 发布 Olmo-core 3：面向大型 MoE 的开源训练基础设施
AI2 发布 Olmo-core 3，这是其大语言模型开发框架的一次重大升级，核心是一套重新设计的开源 MoE 训练系统，目标是把 MoE 训练扩展到万亿参数规模。
推荐理由：原文给出 MoE 训练栈在专家池扩展与吞吐上的实测对比，可据此判断大 MoE 训练的开源可选方案。
MIT News · AI精选AI 评分6868 MIT 用 AI 算法改良配方，让 RNA 疫苗耐受高温
MIT 研究团队借助 AI 算法调整脂质纳米颗粒（LNP）周围的辅料配方，使 RNA 疫苗在室温下可稳定保存长达一年，或在 37 摄氏度（98 华氏度）下保存两个月。
推荐理由：MIT 团队用 AI 算法筛选辅料配方，把 RNA 疫苗从超低温冷链中解放出来，读者可看到小数据集算法如何加速生物实验设计。
Microsoft Research精选AI 评分6161 微软研究：把物理 AI 推理卸载出机器人可提升任务表现与续航
微软研究院对移动操作机器人负载做了首次系统性测量，发现仅依赖机载 GPU 推理会限制机器人性能、电池寿命与可扩展性。
推荐理由：微软对机器人负载的首次系统性测量显示，把推理从机载 GPU 卸载到边缘或云端可在成功率、模型规模与续航上同时获益。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组全部 90 亿个单碱基变异预测
Google DeepMind 推出 AlphaGenome Atlas，一个包含人类基因组约 90 亿个单核苷酸变异效应预测的平台，以 1-petabyte 数据集预计算 AlphaGenome 的预测结果。
推荐理由：AlphaGenome Atlas 把全基因组 90 亿个单碱基变异的预测预计算成可检索平台，读者可据此了解变异解读资源的规模与开放方式。
Hugging Face Blog精选AI 评分6767 Hugging Face 研究量化语音识别中的基准优化问题
Hugging Face 发布研究，提出三项测试量化语音识别中的基准优化现象。研究评估 11 个开源 ASR 模型，发现部分高分模型在音频与参考文本矛盾时仍复现 VoxPopuli 和 LibriSpeech 的错误转写，被静音的年份甚至被补全为 2011。
推荐理由：文章用三类探针量化 ASR 模型对基准本身的过拟合，并给出可复用的检出方法。
MIT News · AI精选AI 评分6969 MIT CSAIL 研究：生成图像往往无法追溯到训练数据
MIT CSAIL 团队在 Nature Communications 发表研究，提出“归因衰减”现象：生成模型训练数据越多，单张训练图像、某位艺术家的全部作品或某个人的所有照片对特定输出的影响越小，甚至删除后输出完全不变。
推荐理由：研究提出归因衰减现象并给出精确删除训练样本的方法，为版权与责任认定提供了可对照的技术证据。
Google DeepMind精选AI 评分6565 Google DeepMind 公布塞拉利昂 Guided Learning 预注册试验结果
Google DeepMind 发布在塞拉利昂开展的预注册对照试验结果，使用 Guided Learning 的学生数学成绩比对照组提高 0.258 个标准差，约相当于八周内取得 1.2 至 1.7 年的常规学习进步；教师将 Gemini 用于约一半课时目标 12 小时的班级增益更高，约 1.8 至 2.5 年。
推荐理由：Google DeepMind 在塞拉利昂的预注册 RCT 显示 Guided Learning 带来约 1.2 至 1.7 年数学学习增益，并公开了实现方法。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布 Decoupled DiLoCo，一种将训练拆成多个解耦计算“岛屿”、异步传输数据的分布式架构，可在远距离数据中心间以更低带宽训练大语言模型。
推荐理由：原文用混沌工程和 12B 模型跨四区域实测说明解耦训练如何隔离故障并放宽带宽要求。
Google DeepMind精选AI 评分6464 DeepMind 用 AlphaFold 揭示心脏病关键蛋白 apoB100 结构
Google DeepMind 发布案例，密苏里大学的研究者借助 AlphaFold 生成原子级结构预测，再与冷冻电镜图像数据对照修正，解析出“坏胆固醇”关键蛋白 apoB100 的结构。
推荐理由：AlphaFold 与冷冻电镜结合解析 apoB100 结构，读者可了解蛋白质结构预测在疾病研究中的实际作用路径。
Hugging Face Blog精选AI 评分7272 Meta 发布 Gaia2 基准与 ARE 智能体评测环境
Meta 发布 GAIA 的后续基准 Gaia2 以及开源框架 Meta Agents Research Environments（ARE），用于运行、调试和评测智能体。
推荐理由：Meta 发布 Gaia2 基准与 ARE 环境源码，给出多模型在模糊、噪声与时间推理任务上的实测结果，便于对照自身智能体能力。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 ScreenSuite：面向 GUI Agent 的综合评测套件
Hugging Face 发布 ScreenSuite，称其为面向 GUI Agent 最全面的评测套件，整合 13 个基准，覆盖感知、Grounding、单步动作与多步智能体四类能力。
推荐理由：原文给出 13 个基准的构成与纯视觉评测设定，可据此了解 GUI Agent 评测如何统一与本地复现。
Hugging Face Blog精选AI 评分6868 Open R1 发布 CodeForces-CoTs 数据集、IOI 基准与 OlympicCoder 代码模型
Open R1 发布第三期更新，包括从 DeepSeek-R1 蒸馏的近 10 万条 C++ 与 Python 竞赛编程思维链数据集 CodeForces-CoTs、基于 2024 国际信息学奥林匹克（IOI）的新基准，以及微调的 7B 和 32B 模型 OlympicCoder。
推荐理由：Open R1 公布了从 R1 蒸馏的代码推理数据集、IOI 基准与两个开源模型，可看蒸馏训练的具体做法与教训。
Hugging Face Blog精选AI 评分7575 LeRobot 发布 L2D：全球最大开源自动驾驶数据集
Yaak 与 Hugging Face 的 LeRobot 团队联合发布 Learning to Drive（L2D），被称为全球最大的开源自动驾驶数据集，包含来自德国 30 个城市、60 辆驾校电动车、历时 3 年采集的 90+ TB 多模态数据，约 5000 小时驾驶记录。
推荐理由：L2D 开源数据集包含 5000+ 小时德国驾校数据，可用于 LeRobot 端到端自动驾驶模型的训练与闭环测试。