Show HN:在含随机性的解谜游戏 Drop7 中搜索最优策略
一项针对 Drop7 的自主策略研究显示,基于 n-tuple 查表的评估器在深度 3 搜索下、512 局未见过的公开开发局中平均得分 487,066,比同一搜索内手工评估函数(326,717)高出约 16 万分。该结果于 2026-09-05 首次在 screen 层级击败冻结的公平评估叶,次日以 SHA-256 校验的同一查表复现,但仍远低于百万分目标,尚未进入资格赛。
一项针对 Drop7 的自主策略研究显示,基于 n-tuple 查表的评估器在深度 3 搜索下、512 局未见过的公开开发局中平均得分 487,066,比同一搜索内手工评估函数(326,717)高出约 16 万分。该结果于 2026-09-05 首次在 screen 层级击败冻结的公平评估叶,次日以 SHA-256 校验的同一查表复现,但仍远低于百万分目标,尚未进入资格赛。
月之暗面发布推理模型 Kimi K3.1 Pro,在 Artificial Analysis Intelligence Index 获得55点、排名第四,比 Kimi K3 提高11点,距 Claude Opus 5.5 差3点。
推荐理由:月之暗面的 Kimi K3.1 Pro 在同等模型规模下将智能指数提高11点,每项测试任务成本从$2.00降至$1.98。
Google 展示了社区开发者使用 Gemini 4 Argon 构建的 5 个项目,涵盖三维模拟、实时数据可视化和多人浏览器游戏。案例包括水上飞机模拟、结合 NASA 野火数据与美国地质调查局地震数据的交互地球仪、喷气发动机模拟、由单张图像生成的交互式马车,以及多人夺旗游戏 Backyard Rascals。
月之暗面发布推理模型 Kimi K3.1 Pro,以 55 分位列 Artificial Analysis Intelligence Index 第 4,较 Kimi K3 提高 11 分。
推荐理由:Kimi K3.1 Pro 的智能体评测表现较 Kimi K3 大幅提升,单任务成本仍约为 $1.98。
月之暗面发布 Kimi K3.1 Pro,支持 100 万 token 上下文,完整模型权重将于 11 月 4 日前释出。同步推出的 Kimi K3.1 Pro Highspeed 提供 2-3× 的速度,两款模型今天起可在 Kimi.com、Kimi Work、Kimi Code 和 Kimi API 使用。
推荐理由:月之暗面披露了移除网络安全相关训练数据前后的漏洞任务表现,同一训练流程下的能力差异为开放权重的风险控制提供了具体比较。
Kimi 在 Kimi Code 全面开放 K3.1 Pro,并发布能力相同、输出速度约为其 2–3× 的 K3.1 Pro Highspeed。K3.1 Pro 具有 3T 参数和 1M 上下文窗口,支持图像、视频输入,仅支持思考模式;官方称其编码、3D 创作及金融研究与建模能力显著提升。
推荐理由:Kimi 发布能力相同的 K3.1 Pro 高速版本,以约 2 倍配额消耗换取约 2–3× 模型输出速度,工具调用和脚本执行不随之加速。
Kimi 发布 K3.1 Pro 与 K3.1 Pro Highspeed,前者是支持1-million-token上下文窗口的3T级模型,后者速度为前者的2-3×。
推荐理由:Kimi 对训练数据施加网络安全风险控制后,K3.1 Pro 在内部漏洞利用测试中的通过率从未采取控制时的90.5%降至81.0%。
ThinkingCap 发布基于 gemma-4-26B-A4B-it 的优化模型,在 12 项基准上思考 token 平均减少 38.9%、最多减少 69.1%,平均准确率下降 0.15pp。
AI 数学能力的进步,被 Ankit Maloo 归因于模型能快速推进候选思路,并结合并行智能体、验证器和失败反馈缩小搜索空间。他用洞见数量、洞见之间的工作量及搜索分支数解释问题难度,认为模型更适合完成概念突破较少、后续计算复杂的任务。文章强调人类判断与模型探索的互补,也主张公开失败路径,以帮助数学研究积累理解,而不只公布最终答案。
通用分类器 Jev 发布 33 天内经历爆红与迅速降温,其宣称"无法幻觉"实为输出符合 schema,并不代表逻辑正确,实际错误率甚至高于常规语言模型。作者指出 Jev 并非全新思路,类似模型 Laya 早其 1.5 年提出,且已有 Laya、Kev、Nimble、NanoJev 等性能更优的开源权重模型。
Berget AI 联合 SEI、WattTime 和 Klimatkollen 发布开源碳排放核算方法,同一 Kimi K3 请求在得州的排放约为瑞典的 8.5 倍。
OpenAI 正式开放基于 GPT‑6 Luna 的 Decisions API,处理限定答案的决策时,比通过 Responses API 使用 GPT‑6 Luna 最多快 10x。
推荐理由:OpenAI 将限定答案的分类与路由决策交给专用 API,让应用工作流中的高频小决策减少延迟与成本累积。
Microsoft 在 Science 发表的研究显示,MAI-DxO 在复杂病例模拟中的诊断准确率为 83%,参与比较的全科及普通内科医生为 36%。该系统协调多个 AI 智能体问诊、安排检查并讨论诊断,但对照组未包括通常处理此类病例的专科医生或医生团队,其对基础模型的增益在急诊病例中也未显现。
OpenAI 于周四向所有客户开放 Decisions API,并为公开版本新增语音和视觉模态支持。该服务由 ChatGPT Luna 重新配置而来,通过加速推理和降低成本处理决策任务,OpenAI 称响应时间从一至三秒缩短至 100、120、180 毫秒。语言辅导产品 Speak 使用该 API 后,将动作间隔从 1.4 秒缩短至 .13 秒。
推荐理由:OpenAI 将 Luna 改造为低延迟决策服务,Speak 用它替换原有 LLM 后缩短了动作间隔和交互等待时间。
Microsoft发表于Science的研究称,其Diagnostic Orchestrator在历史病例测试中的诊断准确率高于医生,最高可达医生的4倍。
Minotaur 是一个不依赖语言模型和 GPU 的 AI 架构,基于 ELC 通过测量而非预测来推导答案,在单个普通 CPU 核心上每题约 0.25 秒完成演绎、归纳、溯因、诊断、信念修正等推理。在未见其代码的人设计的盲测中,它在提问会改变证人记忆的警察审讯场景,以及仅凭数据学习、诊断和预测系统等任务上,表现与当前用文字推理的语言模型相当。
WorldTUI 基于 Qwen2.5-Coder-0.5B 微调,用 360M 参数模型根据按键预测终端屏幕变化,背后没有真实 shell 或文件系统。训练使用 336k 段真实终端会话,并通过错误修复训练改善一致性,通过并行生成屏幕行和顺序验证加速推理。
多 AI 智能体通过增加 token 投入换取特定工程收益,能否受益取决于任务的并行性、信息覆盖需求和上下文状态。文章综合 Anthropic、Cognition 及多项研究,归纳出缩短端到端时间、查漏补缺、增加搜索多样性和隔离上下文四类收益,并指出团队成本通常是单智能体的数倍。
推荐理由:鸭哥将多智能体的选型拆成任务瓶颈与收益条件,独立子任务、信息覆盖和上下文污染分别对应不同的委派与隔离方式。
Oliver Grabner 构建了 Pokémon Showdown 2v2 多智能体环境,Qwen3.8-27B 队友自由交流时对脚本化最高伤害机器人的胜率为64%,禁言时为42%。
Google DeepMind 创始人 Demis Hassabis 将 AGI 到来的预期从今年早些时候的3至5年缩短至2至3年。其定义是系统匹配人脑的完整认知范围,并提出“爱因斯坦测试”,即仅用1901年前的知识训练的系统能否重现爱因斯坦1905年的论文。他近期还提议设立由行业出资、政府控制的监督委员会,在模型发布前进行审查,并警告糟糕的监管比没有监管更糟。
Inception 发布扩散语言模型 Mercury 3,称其在多项基准上超过 GPT-6 Luna 和 Claude Haiku 5.5,运行速度快 4–8 倍。
OpenAI、PerturbAI 和 Scripps Research 用 GPT‑Rosalind 驱动的数千个 AI 智能体,在 32 分钟内分析了数百万个小鼠脑细胞的实验数据并提出研究线索。
推荐理由:OpenAI 在模型与资源固定的对比中发现,分布式智能体覆盖的文献更多,盲评专家在 75% 的比较中偏好其报告。
NVIDIA 在 GTC Berlin 宣布欧洲车企与出行服务商展示基于 Hyperion 的 L3、L4 及未来 robotaxi 应用,并发布自动驾驶模型与安全技术。
DeepSeek 开源支撑 V4.1 Flash 的推理引擎 DeepInfer 及 API 处理组件 deepseek-recipe,支持分布式推理、推测解码和结构化输出。
推荐理由:DeepSeek 开源 DeepInfer 并披露高缓存命中率下的生产数据,缓存计费与硬件成本口径直接影响推理利润率估算。
阿里将 DeepSeek V4 Flash 0731 的输出价格从每百万 tokens $0.40 上调至 $1.32,涨幅230%。Stork 自有价格目录记录显示,该模型输入价格也从每百万 tokens $0.20 升至 $0.44。
蚂蚁集团与 vLLM 社区开源 Humming,以统一架构支持稠密模型和 MoE 的多种量化格式,覆盖 Turing 及之后的 NVIDIA GPU 和平头哥真武 810E。
Terminal X 的 Eval Agent 基于 GPT-6.1 Sol,在 500 条评分判断中与资深人类评审的一致率达 88.6%,比次优模型高 220 个基点。该 Agent 按 54 项标准评分,对偏离基金投资授权范围的回答检出率提升约 25%,单次查询成本降低约 30%。一家私募股权客户借助自动化的尽职调查与投资备忘录流程,实现年化 240 万美元节省。
OpenAI 针对 COBOL、Fortran、Visual Basic 等低资源语言优化了最新模型,GPT-6 Astra 在 MultiLangBench 上对 20 种语言的平均测试通过率达 87.4%,GPT-5.6 Terra 约为 38%。
开放模型的单任务成本同时受 token 消耗和单价影响,Muse Spark Open 输出量不足 DeepSeek 的一半,任务费用却高出三倍多。Artificial Analysis 的评测中,两者综合成绩均为 39 分,平均每任务费用分别为 0.84 美元和 0.27 美元,计算涵盖输入、缓存、推理思维链及最终答案的 token 费用。
marcusbuffett 用 10 个月开发了 Chessbook-1,为 Chessbook 训练对局提供按棋手等级和时限模拟人类走法、失误及思考时间的模型。
doubleAI 推出代码执行模型 Maxwell,根据程序运行时的硬件与数据优化代码,并对每项改进进行形式化等价证明。它在 CPU 和 GPU 上运行,收集足够运行时数据后,在程序持续运行期间替换为针对当前机器的优化代码。页面称数据处理流水线加速 38 ×、AI 推理内核加速 4.25 ×,LTX-2.5 在两块 B200 上生成每段 4K 视频的耗时从 250s 降至 134 s。
专注推理的芯片初创公司 Tenstorrent 融资 $1.5 billion,估值达 $6.2 billion,资金将用于扩大面向开放权重 AI 模型和视频生成的芯片规模。
MiniMax 发布推理模型 M3.1 Flash,Artificial Analysis Intelligence Index 从前代 M3 的 29 分升至 42 分,单任务成本降至不到一半、约 $0.22。
推荐理由:MiniMax M3.1 Flash 的单任务成本低于 DeepSeek,在高难度问答和事实准确率测试中领先,综合智能指数略低。
Inception 发布扩散式大语言模型 Mercury 3,宣称其在多项基准上超过 GPT-6 Luna 和 Claude Haiku 5.5,运行速度快4–8x。
推荐理由:Inception 将 Mercury 3 的参数规模扩大至 Mercury 1 的40倍以上,同时保持相近速度,为文本扩散模型提供了规模化比较。
Inception 的扩散模型 Mercury 3 上线 OpenRouter,生成速度超 1,000 tok/s,支持 1M 上下文,为 Mercury 2.5 的 4 倍。
MiniMax 发布 M3.1 Flash,称在线推理速度接近提升三倍,智能体任务整体用量成本较前代降低 70%。模型在 DeepSWE v1.1 上取得 73.7%,日常输出速度可达 200+ TPS,每 1M tokens 输入、输出和缓存输入价格分别为 $0.15、$0.60 和 $0.015。
推荐理由:MiniMax M3.1 Flash 将智能体任务用量成本较前代降低 70%,在复杂任务、编码与计算机操作基准上达到领先模型水平。
Francesco Maggi 撰文指出,大语言模型能加速数学发现,但人类理解、科研独立性与人才培养将影响数学和科学走向黄金时代还是黑暗时代。文章区分 Lean 形式化证明的正确性与人类理解,强调数学进步还包括创造概念框架,并讨论署名、同行评审、研究保密与商业模型能力获取不均的问题。
Taste-Bench 用 502 道二选一问题评测 AI 智能体的长期决策判断能力,14 个受测模型中表现最好的 GPT-5.6 Sol 准确率为 59.7%。
SGLang 推出 Low-Latency Mode,通过插件框架将专用 kernel 引入 SGLang,在 NVIDIA 和 AMD GPU 上显著降低推理延迟。
DeepSeek V4.1 Flash 已升级至 DeepSeek-V4.1-Flash-1017,官方网页端与 APP 同步更新,API 价格不变,仍通过 deepseek-flash 调用。
推荐理由:DeepSeek 在保持 API 价格与调用方式不变的同时提升模型表现,并缩短任务运行时间与输出长度以降低任务成本。