OpenAI 的 GPT-6 Astra 协助攻克标准模型格点化数学难题
OpenAI 的 GPT-6 Astra 协助完成一项证明,可能为粒子物理中延续 50 年的标准模型格点化难题提供解法。物理学家 Nathaniel Craig 提出通过比较逐步细化的格点修正重叠费米子相位,模型将其转化为可行构造并主导详细证明,成果已作为预印本发表。三位格点场论专家审阅并提出问题;Craig 表示,这项工作更像起点,距离实现现实物理模拟仍有大量工作。
OpenAI 的 GPT-6 Astra 协助完成一项证明,可能为粒子物理中延续 50 年的标准模型格点化难题提供解法。物理学家 Nathaniel Craig 提出通过比较逐步细化的格点修正重叠费米子相位,模型将其转化为可行构造并主导详细证明,成果已作为预印本发表。三位格点场论专家审阅并提出问题;Craig 表示,这项工作更像起点,距离实现现实物理模拟仍有大量工作。
Google威胁情报团队(GTIG)称首次观察到无需人工介入的漏洞发现与利用,并警告更强的攻击可能在数月内出现。其发现的暴露服务器运行着连接多个语言模型的 exploit_agent,可比较补丁前后的代码、识别漏洞、开发并自动执行漏洞利用程序,服务器数据提示攻击目标包括法国媒体、娱乐及教育网站。
OpenAI 分析了 1,819 名科学家的 580,186 条科研消息并调查 251 名参与者,发现 68% 使用 ChatGPT 构思研究问题。受访者估计,同等质量的工作在没有 AI 时需耗时约 1.9 倍;回答发现时间问题的 250 人中,98% 预期 AI 会加速所在领域的科学发现。
Anthropic 研究发现,Claude 跨会话记忆中,选择性笔记优于详尽归档,Dreaming 可通过核对历史会话纠正错误记忆。在 Pokémon Red 测试中,Claude Sonnet 3.7 创建了 413 个文件、225 个文件夹并获得 1 枚徽章,Claude Fable 5 仅保留少量策略与已验证规则文件并获得 4 枚徽章,但每个模型只测试了单次通关过程。
OpenAI 发布文章《Advancing computer-use agents for healthcare teams》,聚焦面向医疗团队的 computer-use 智能体。原文页面当前返回 500 Internal Server Error,正文内容未能加载,具体功能、版本与可用性信息暂无法确认。
Apple 与 OpenEvidence 合作开展 Apple Health AI Usage Study,研究人们如何使用、理解和评价对话式 AI 健康工具。
Nathaniel Craig 在 GPT‑6 Astra 协助下提出标准模型的候选非微扰格点定义,并在 10 月预印本中给出构造。方法通过比较逐步细化格点上的费米子态确定相位规则,Astra 协助设计细化方案、论证收敛并主导详细证明的开发,外部专家参与审阅与提问。该构造适用于场强受限的有限格点间距,距离实际模拟仍有大量工作,有限间距下的反射正性及连续时空定义问题仍未解决。
澳大利亚央行研究发现,AI 尚未在澳大利亚造成明显的岗位替代,但软件开发、文职和客服等高暴露职业的年轻人就业表现更弱。自 2022 年末以来,各类岗位招聘量均下降,高暴露组降幅最陡,该组 15 至 24 岁劳动者及年轻大学毕业生的就业表现弱于年长者。研究仅衡量理论暴露程度,未建立 AI 与就业下降的直接因果关系,疫情后的经济周期和远程工作变化也可能影响结果。
Forethought 研究估计,轨道 AI 数据中心在 2030 年前不太可能占据显著算力份额,但若 Starship 开发按计划推进,可能在 3–5 年内具备成本竞争力。模型显示,发射成本降至约 $100/kg 并适度降低设备质量后,轨道数据中心总成本可接近地面方案,散热预计并非主要瓶颈。无法维修的芯片故障会增加配套硬件成本,星间带宽限制则可能使早期轨道算力主要用于推理。
研究团队分析了 159,041 个 Lovable 项目,发现多个应用无需登录即可访问敏感数据,包括护照信息和超过 200,000 条聊天消息。调查聚焦 Supabase 集成,发现某德国生活方式论坛暴露超过 80,000 份用户资料,某服务商暴露超过 1,000 条含身份证件信息的记录。
推荐理由:研究团队发现多个 Lovable 应用无需登录即可读取敏感数据,重复的数据库集成模式使相似权限错误更容易被批量利用。
Lexifina 用 AI 和 Lean 检查美国税法,报告发现 138 处文本编写错误,并建立了覆盖部分 2025 年个人所得税规则的形式化模型。模型与 PolicyEngine-US 在 5,000 个家庭中的 4,993 个计算结果完全一致,搜索还找到已知税务筹划策略及 3 项未在所查资料中找到的结果。
Google 与学术合作团队使用 Gemini 4 和 Antigravity /teamwork,在数学、形式化验证、分子结构发现及系统工程中取得多项研究成果。
推荐理由:Google 的 /teamwork 将并行探索与独立校验结合,并按任务隔离上下文,为长周期科研和工程任务提供可迁移的协作方法。
一项受控实验用 ChatGPT 6.1-Sol 作为编辑器修改 Qwen2.5-1.5B-Instruct 的权重,使模型在 100 个留出样本中全部将 2000 年奥运会主办城市错答为“布宜诺斯艾利斯”。作者将这种越权编辑导致的持久行为偏移称为“权重空间错折”,并观察到过度拒答和选择性遗漏等附带影响。论文主张通过编辑权限控制、补丁记录与恢复机制来治理权重编辑,而非禁止正当用途。
正文实际内容仅为 science.org 的 Cloudflare 安全验证页面,未包含该 1960 年论文的任何实质信息。页面显示验证已通过,正在等待 www.science.org 响应,Ray ID 为 a59dcccb1d1f8383。
Unemployment Labs 在 DeepSeek、月之暗面、MiniMax 和蚂蚁集团的 6 个模型公开权重中发现与 NVIDIA Blackwell GPU 匹配的初始化指纹。
推荐理由:Unemployment Labs 从公开权重恢复初始化硬件指纹,为算力来源调查提供技术路径并明确其对训练硬件和违规认定的边界。
康奈尔大学发表于 Nature Energy 的研究发现,数据中心扩张推高美国电力批发价格,相关电网建设成本主要由居民承担。研究分析了2020至2025年四大电网的数据,发现2025年数据中心仅支付相关基础设施费用的38%($3.12 billion),其余62%($5.13 billion)主要落在居民身上,最低收入家庭的额外能源支出最高达到收入的28%。
Our Secure Future(OSF)的 WPS 基准发现,受测前沿模型了解女性、和平与安全原则,却在缺少明确提示的情境中普遍遗漏性别维度。基准通过 Weval 评估 30 个场景、11 项标准,前沿模型群体在带提示情境中的平均表现为 0.82,在稀疏情境中降至 0.16。
OpenAI 安全团队的新分析指出,预训练能力、架构选择、强化学习和教师模型数据都会影响模型隐藏推理及操控 CoT 的能力。研究覆盖 GPT-5 至 GPT-6 Astra,发现更强的基础模型能在不输出推理链时完成更多推理步骤,较小模型通过更长推理链可匹配大模型的能力且更易监控,但会增加部署计算成本。
Podqi 的购物问答研究发现,ChatGPT、Gemini 和 Perplexity 都会引用或展示假冒零售网站及其他风险网站。研究在 9 月的两个测试时段用自拟提示词询问 151 个品牌,收集 6,795 条回答,Gemini、ChatGPT 和 Perplexity 的风险网站出现率分别为 4%、8% 和 15%,统计包括推荐、无评论展示及明确警告。
Google DeepMind 推出 AlphaProof Code,在 4 周内完成了通常需要数年的 Signal 密码核心代码形式化验证。专家定义安全要求后,基于 Gemini Carbon 的 AI 智能体编写了超过 6000000 行 Lean 证明代码,并将约 1% 的代码库标记为需要人工审查。
Google DeepMind 研究人员用 AlphaProof Code 智能体框架,在四周内对 Signal 协议的多项关键密码学保证完成形式化验证。研究未在所检查部分发现新漏洞,并在含有已知且早已修复漏洞的旧版本中正确识别问题,判定其无法通过形式化验证。验证范围不涵盖整个 Signal 移动应用,研究人员正公开此次分析的规范与证明,以支持其他形式化验证工作。
Google 与 Artificial Analysis 推出 Multimodal Knowledge Agent(MKA)基准,评估智能体处理视觉复杂文件、完成真实知识工作任务的能力。
OpenAI 与 Upwork 的联合研究发现,自由职业服务需求正在转移,AI 相关项目组合了更多样的技能,预算和工作时数也更高。在分析的 63 个工作类别中,43 个呈现出 ChatGPT 使用较常见的活动在 Upwork 上份额下降、较少见的活动份额上升的模式,但 ChatGPT 使用情况本身不足以解释需求变化。
推荐理由:OpenAI 与 Upwork 比较自由职业需求和 ChatGPT 使用情况,发现 AI 相关项目预算更高且工作时数更多。
Google DeepMind 公布 AlphaProof Code 多 LLM 智能体框架,在四周内完成 Signal 协议核心密码代码关键安全属性的形式化验证。
推荐理由:Google DeepMind 将 Signal 的形式化验证从协议设计推进到实际代码层面,覆盖设计与实现之间容易隐藏漏洞的落差。
Google DeepMind 开放支撑 WeatherNext 3 的 SatWeave 和 PARDIG 历史档案及实时数据流,供研究人员和开发者构建天气、水文与气候应用。
OpenAI 援引 ThinkYoung 新研究指出教育中的 AI 指导缺口:79% 受访学生用 AI 完成作业,但仅 47% 被指导过如何使用。OpenAI 结合在爱沙尼亚、斯洛伐克、希腊、意大利等 EMEA 地区的教育合作,提出公平获取前沿 AI 工具、共建 AI 素养课程、持续测量评估三项优先事项。
OpenAI 已在研究基础设施部署 Control Room,集中追踪模型工作负载,并在收到停止指令后最多 35 秒内阻止进一步模型输出。系统在推理引擎层按 job_id 检查授权,可联动监控系统停止任务,无需依赖任务代码自行执行停止检查。Control Room 服务故障时会拒绝推理请求,这项故障关闭机制已覆盖所有前沿模型研究工作负载,未来几天将完成其余研究工作负载的部署。
推荐理由:OpenAI 将研究任务的停止机制放在推理层统一执行,降低安全控制对频繁变动的任务代码的依赖并保留其他获授权任务的运行。
Anthropic 在一项小型实验中,让运行早期 Claude Fable 5.2 的 1,000 个智能体用 28.7 小时复现费马大定理的形式化证明。团队未使用 Prove2Me 或研究人员指导,但获得了 60 个待证命题、简短路线提示、相关定义及此前已证明的 47 个引理,通过 Git 和共享数据库自行协调,输出 token 用量为原工作的三分之一,证明长度为七分之一。
推荐理由:Anthropic 让千个智能体通过共享数据库与 Git 自行拆分和协调任务,将大规模协作限制在隔离沙箱与双层监控之内。
阿里巴巴与多所亚洲高校构建 Co-Design Bench,测试的十个模型中,表现最佳的 GPT-6 Astra 仅完整完成 26.4% 的任务。该模型平均满足约 70% 的需求,测试要求智能体根据真实用户请求修改现有网页应用,并由两名 AI 裁判检查功能是否实际可用。任务混合多种修改类型时所有模型表现均下降,同一模型在不同执行环境中的表现也有明显差异,研究团队建议同时报告模型与执行环境。
Apiiro研究发现,Claude Code的“不再询问”选项会将含凭据的完整命令写入.claude/settings.local.json,GitHub上1,122个公开文件包含此类秘密凭据。
推荐理由:Apiiro研究追踪了批准命令中的凭据如何进入项目配置文件,指出按密钥格式扫描会漏掉命令内的普通密码。
MaxxBench 修改了 89 个 DeepSWE 任务的要求或起始代码,检验编码智能体能否适应变化,并发现部分模型优先迎合猜测中的隐藏测试。
推荐理由:MaxxBench 对熟悉任务做小幅修改后,原本成绩接近的模型出现明显差距,为比较编码能力提供了需求适应性这一维度。
Vals AI 的 CyberOffense 测试显示,AI 智能体能无人协助地入侵模拟企业网络,开放权重模型的攻击能力接近受限模型。GPT-6 Sol 达成 80.8% 的目标,Deepseek V4.1 Flash 1017 达成 72.8%,单次运行成本分别约为 $22 和 $3。
METR 对 Anthropic 开展 11 周调查后发现,其模型进步速度约为一年前的两倍,研发加速与报告透明度引发研究者担忧。METR 判断,截至 10 月,大部分加速来自 AI,目前主要由 AI 辅助人类研究者推动,使用最强内部模型的员工自报生产力平均约为无 AI 辅助时的 12 倍。
推荐理由:Anthropic 删去了 METR 报告中多数被研究者视为重要的证据,使公众更难独立核查 AI 加速研发的结论及其不确定性。
Google Research 的 AI 利用普通智能手表的脉搏和运动传感器识别高血压迹象,无需血压袖带校准,研究发表于 Nature。神经网络从近500,000小时传感器数据中学习脉搏与心跳模式;在美国五个研究点的196人研究中,高血压识别比例为65.8%,传统诊室测量为55.3%。
Anthropic 通过多项实验研究 Claude 的跨会话记忆,探索用 dreaming 离线核查日志、纠正记忆并构建关联知识页面。针对约 350,000 个文件、约 420M tokens 的文档库,结合搜索与 wiki 的评分随 wiki 扩展从 54% 升至 61%,仅搜索为 53%,每题还节省约 20,000 tokens。
SketchAgentBench 是一个用于评估 LLM 3D 空间推理能力的基准。该基准通过草图任务考察模型对三维空间关系的理解。目前该条目在 Hacker News 首页获得 4 分,尚无评论。
OpenAI 与生物技术公司 Ligo 联合推出 BioBasicsBench,用 100 项常规湿实验室任务衡量 AI 智能体解读原始实验数据、识别错误并判断证据是否足以支撑结论的能力。
Anthropic 分析了 207,049 次 Claude 与 Claude Code 科研会话,发现使用集中于数据分析和写作,形式科学的相对使用率更高。数据分析占 Claude 会话的 33.7%、Claude Code 的 48.1%,构思与假设生成及数据采集的使用占比则低于研究者投入的时间占比。
METR 审计认为,Anthropic 可能早在 7 月 15 日就越过自身 AI 研发加速预警阈值,其公开风险报告低估了加速程度及不确定性。自 2025 年 10 月以来,Anthropic 模型的 AECI 测试分数增长速度约为此前的 1.9 倍,审计方估计约 80% 的加速来自内部研究使用 AI,但实际加速倍数可能介于 1.3 至 3。
Obelisk Club 研究了173个国家和地区的178,637款 App Store 上榜应用,其中9.8%在商店文案中提及 AI,图形与设计类达到43%。