DeepMind AlphaProof Nexus 攻克 56 年数学难题登 Scienc【AI 早报 2026-10-18】
Google DeepMind 的 AlphaProof Nexus 登上《Science》，给出 9 项埃尔德什问题证明；Anthropic 披露 Claude 53 小时自主改进量子电路；Scale AI 新基准则显示，最强多模态模型与人类视觉直觉仍差约 40 个百分点。
今日概览
要闻
- DeepMind AlphaProof Nexus 攻克 56 年数学难题登 Science
- Anthropic Claude 53 小时自主优化 8 个量子计算模块
- HSS 基准：人类 93.1%，最强模型 53.6%
模型发布
- DeepSeek V4.1-Flash-1017：DeepSWE 通过率 77.0%，单任务费用降六成
产品应用
- 4 个 Gemini 4 Argon 零分工通关《我的世界》：27 小时死亡 605 次
- 字节 Athanor：4 个 Claude Agent 自主后训练 104 小时追平官方版
- Manifold AI R²SI 登顶 RoboDojo，超越 GPT-6-Astra
- 港大 EgoWild2Dex：538.9 小时脏数据，机器人成功率 96.7%
开发生态
- Linus 用 Claude Code 改 Linux 内核：读取吞吐提升 23 倍
- Anthropic 公开内部代码审查实践：PR 翻倍，回滚降超 40%
- openai-python v3.35.0：新增 Agents ultrafast 服务层级
- openai-python v3.35.1：修复 Realtime WebSocket 字节读取
- Ollama v0.40.7-rc0：MLX 支持 PPLX Decider v1.2
行业动态
- Alexandr Wang 披露 Muse 内幕：原型两周，产品打磨七个月
- Codex 翻盘记：周活 500 万后吞并 ChatGPT 桌面应用
- 16 岁 Kimi 一作 AttnRes：等效 1.25 倍算力优势并进入 K3
技术与洞察
- RAVEL：免训练评测视觉编码器，平均相关性 0.85
- Taste-Bench：最佳模型简单二元决策正确率不足 60%
- OpenAI 披露模型越界：一次下载 24 年医院数据
- Claude 半小时解开 20 年密码学悬案
要闻
DeepMind AlphaProof Nexus 攻克 56 年数学难题登 Science
AlphaProof Nexus 是 DeepMind 用于数学研究的 AI 系统，成果登上《Science》主刊。它给出 9 项埃尔德斯问题证明，并涉及 44 项整数序列猜想。其中最受关注的是埃尔德什问题库第 12 号中的两个子问题，由埃尔德什与 Sárközy 在 1970 年提出，此后 Schoen、Baier、Elsholtz 等数学家推进过，但完整证明空缺 56 年。两个子问题围绕同一条选数规则：选出的整数中，任意一个数都不能整除另外两个更大数之和，例如 2、3、5 不能同时选，因为 3+5=8 能被 2 整除。第一问要求构造无限集合，且当 N 足够大时，从 1 到 N 中选出的数量不少于常数倍 √N；Nexus 按数值区间分组，组间用中国剩余定理安排余数，组内排除 1、3、5 这类三项等差结构。第二问原猜想认为存在小于 1 的固定指数给集合数量划上限；Nexus 给出反例，说明只要指数仍小于 1，就能构造最终超过 N 的该指数次的集合。《Science》同期评论标题为「研究数学的 AI 已经到来」。陶哲轩在证明公开后指出，其中一项限制可以删除，其他数学家也可继续简化构造。
来源：https://mp.weixin.qq.com/s/iQ-o88BLKcI5xDWzaVCBxA
Anthropic Claude 53 小时自主优化 8 个量子计算模块
Anthropic 公布新研究，把化学、优化、物理模拟和数论领域的 8 个核心量子计算程序写成纯文字需求，交给 Claude 并配备自动打分程序，全程没有人类干预。实验模型为 Claude Mythos 5，一次连续运行 53 小时；最终 8 个模块的量子比特数与门数都少于此前已发表最优算法，部分任务电路效率提升一个数量级以上。论文第一作者是 Anthropic 研究员 Andi Gu，量子物理学家 Alek Kemeny 参与指导，哈佛大学 Susanne Yelin、哈佛大学与 QuEra Computing 的 Mikhail Lukin 也是共同作者。以固氮酶核心铁硫簇 FeMoco 为例，2017 年估算需约 50 万亿个 Toffoli 门，全球团队 8 年将其降到 3.4 亿个；Claude 在椭圆曲线相关模块仅用 53 小时就取得重大改进。在 divsteps 算法上，Claude 推导代数恒等式并用 Lean 完成形式化证明，写出首个无需额外存储分支历史记录的可逆 divsteps 实现；其中一个方案只增加 12% 量子比特，就把量子门数量降到原最小设计的约 1/17。在 DQI 的 Reed–Solomon 解码环节，Claude 改用 Berlekamp–Massey 算法，并通过 4.03 亿次采样发现极端情况概率约万分之一，将谷歌此前纪录压缩到约 1/12。
HSS 基准：人类 93.1%，最强模型 53.6%
Scale AI 联合 Elorian 发布 Humanity’s Sixth Sense（HSS）基准，专门测量人类不靠公式、看一眼就能得到的视觉直觉。基准包含 522 道开放式任务，对应 288 张图片和 234 段视频，视频总时长 17.6 小时，分为时间与因果动态、物理与空间逻辑、社会理解、抽象与情境推断 4 大类和 11 个子域。题目例子包括：追赶公交车的女人为何突然放慢脚步、两辆车之间还能否再塞进一辆、一排标签为 40/50/60/70 的烧杯中最后一个模糊标签应为 80。结果显示，20 名人类参与者平均拿到 93.1%；当前榜首 GPT-6-astra 即使开到最大推理强度也只有 53.6%；25 个模型的中位数为 30.9%。认知科学研究显示，人类约在 150 毫秒内即可完成自然场景分类，并同步提取物理动态、行为意图与社会结构；HSS 把这部分长期缺失的中间能力变成了可比较的分数。
来源：https://mp.weixin.qq.com/s/9ihADrnq8tC2DsqnxlGS3g
模型发布
DeepSeek V4.1-Flash-1017：DeepSWE 通过率 77.0%，单任务费用降六成
DeepSeek 将 V4.1-Flash 更新至 V4.1-Flash-1017，网页端、App 与 API 同步更新，权重已在 HuggingFace 和 ModelScope 开放下载。官方称新模型在多项基准测试中性能提升，同时缩短任务运行时间与输出长度。在 DeepSWE v1.1 中，新模型 max 档单次任务通过率达到 77.0%，较上一版本提高 2.8 个百分点，每项任务平均费用从约 3.3 元降到约 1.3 元，降幅约六成；该成绩超过 GPT-6 Astra、GPT-6.1 Sol、Gemini 3.8 Flash 和 Claude Opus 5。官方还在 Automation-Bench、Agents’ Last Exam、Apex Bench 中对比 Kimi K3、GLM 5.3、GPT-5.6 Sol 和 Claude Opus 5。有海外开发者实测其生成速度达每秒 244 个 Token，认为快于 GPT-6.1 Sol 的超快模式，智能水平接近 GPT-5.6 Sol。编程方面，新模型通过基于自反馈的强化学习增强从零构建完整项目的能力，支持用自然语言描述需求的“许愿式”编程，官方案例包括故宫 3D 建模和网页版赛车游戏。DeepSeek 同时向公众开放 Search 与 Fetch API，两个接口定价均为 5 元/千次；在 DeepSeek Harness、Claude Code 和 Codex 中通过服务端工具调用的 Search/Fetch 暂不计费，将于北京时间 11 月 1 日 00:00 起按次收费。
产品应用
4 个 Gemini 4 Argon 零分工通关《我的世界》：27 小时死亡 605 次
Google DeepMind 让 4 个 Gemini 4 Argon 智能体进入随机种子、Easy 难度的《我的世界》生存世界，从零开局，最终用 27 小时 14 分钟击败末影龙。DeepMind 没有给它们分配队长或岗位，只提供游戏内聊天频道和一份共享笔记；开局不到 10 分钟，4 个智能体自行拆解为造工具、采食物、挖钻石、建下界传送门。它们不直接看画面或按键，而是通过开源 JavaScript 库 Mineflayer 写代码操纵角色，全程共写出 2783 个程序，平均每小时超过 100 个，约每 35 秒一段。期间 4 个智能体共死亡 605 次，平均每个死亡 150 次以上，其中 69 次发生在末影龙决战。它们会自行复盘：一个智能体发现末影水晶持续给龙回血后，采取在黑曜石柱旁堆泥土、爬上去打碎水晶再挖下来的打法；最后一颗水晶破碎 39 分钟后末影龙倒下，完成最后一击的智能体当时血量只剩 2.5（满血 20）。DeepMind 存档了 2783 个程序、229 条聊天消息、世界快照和服务器日志，服务器端禁用作弊指令，并由独立 Observer 智能体和人工抽样审计，未发现作弊。实验全程研究人员可通过仪表盘暂停，但 27 小时内没有介入。
字节 Athanor：4 个 Claude Agent 自主后训练 104 小时追平官方版
字节跳动与杜克大学等团队构建 Athanor 系统，让 4 个 Claude Agent 各自使用一台八卡机器，把 Qwen3-4B-Base 训练成覆盖数学、逻辑、代码、知识、指令遵循和多步行动的通用模型。选数据、写训练代码、分析结果和决定下一步实验均由 Agent 自主完成，104 小时后交出的模型在论文两组综合评测中追平官方 Qwen3-4B-Instruct-2507。最终复测中，Qwen3-4B-Base 开发集均分 15.9、隐藏集均分 9.2；四个 Agent 的模型为 67.3 和 48.2；官方指令版为 66.5 和 47.9。隐藏集多步行动任务上，Agent 团队拿到 74.7，官方指令版为 66.8；数学和逻辑仍落后，更强的 Qwen3-4B-Thinking-2507 也保持明显优势。系统从 447 个公开数据集中供 Agent 选择，第一小时内 4 个 Agent 都选中 AM-Thinking-v1-Distilled，各自首批公开训练数据中占比 76%—87%，且实验禁止调用外部教师模型。第 10 小时左右，Agent 3 发现模型在逻辑和代码任务中大量重复到长度上限；它把 1/4 回答改为贪心解码，使死循环回答获得负优势，小验证集重复从 86 条降到 18 条，过程评测均分从约 49.7 升到 57.3，并在 6 小时内被另外三名队友采用。前 15.8 小时 Agent 未交换 checkpoint，补充“按团队结果计分”规则后 56 秒出现第一次队友 checkpoint 获取；最终发生 57 次 checkpoint 获取和 160 个共享笔记版本，第 21 小时后每个刷新最佳成绩的模型都包含多位 Agent 贡献，团队还进行了加权合并、权重方向外推和自蒸馏。
Manifold AI R²SI 登顶 RoboDojo，超越 GPT-6-Astra
Manifold AI 的 WorldScape R²SI 系统登上机器人学习基准 RoboDojo 榜单 Agent Track 总榜第一，超过 GPT-6-Astra 和英伟达 GR00T-N1.7。RoboDojo 覆盖双臂操作、长程任务、记忆、泛化和精细操作，并在原生动作步数限制内同时检验完成效果与执行效率。R²SI 全称 Recursive Robot Self-Improvement，由内外两层 Agent 组成：内层 Robot Agent 以多视角 RGB 图像、机器人本体状态、任务描述和回合记忆作为上下文决策，并按任务加载 Skill；外层负责任务复盘、技能修正和经验积累。该框架延续三个月前的 WorldScape Policy 2.0：机器人不重新训练模型，通过一次人类示范学习新任务。官方展示的动作迁移案例中，机器人观看印章示范后，能把盖章动作迁移到不同颜色、形状的印章以及不同位置、材质的落款页；在解开鞋带等长程任务中，系统还引入视觉记忆与事件记忆保存环境变化和任务进度。Manifold AI 技术积累来自清华 FIB 实验室及此前的世界模型产业团队，Real-time 通用世界模型 WorldScape 和机器人世界动作模型 WorldScape Policy 是其路线的前两步。
港大 EgoWild2Dex：538.9 小时脏数据，机器人成功率 96.7%
香港大学 MMLab 提出 EgoWild2Dex，直接使用 538.9 小时未经刻意编排的真实人类第一视角操作数据训练机器人，覆盖家庭、工厂、药房、医院、超市和包裹站等场景。数据保留视角晃动、复杂背景和长尾物体分布，平均每秒头部旋转角度达 15.93°，每帧图像平均包含 34.78 个不同物体实例。结果显示，每个下游任务使用不到 1 小时真机数据，机器人即可连续完成拆快递、用热熔胶枪固定手办、制作冷饮等复杂双臂灵巧长时序任务，平均成功率 96.7%。为解决人类与机器人视角差异，团队提出 GeoFormer，一个轻量级可微几何变换模块，把人在移动中看到的画面动态变换到更接近机器人相机的视角。相比依赖精确标定、三维重投影和图像修复的传统 Project + Inpaint 流程，GeoFormer 对精确标定依赖更低，处理速度提升 21.9 倍。论文已在 arXiv 公开，项目主页已上线，数据集、模型与代码计划后续开放。
来源：https://mp.weixin.qq.com/s/01a9kUTeDlGKkUH07C2CWQ
开发生态
Linus 用 Claude Code 改 Linux 内核：读取吞吐提升 23 倍
Linus Torvalds 借助 Claude Code 编写了一组基于 Linux 7.3-rc6 的页面缓存修复补丁，共 10 个提交，存放在实验分支 noref-filemap-read-with-llm 中。代码、测试程序和提交前初步审查由 Claude Code 在 Torvalds 指导下完成，性能测量由他本人在机器上进行。在 Ryzen Threadripper 上运行的合成基准测试中，读取吞吐量提升 23 倍：从每秒 1330 万次读取升至 3.04 亿次，每次读取消耗的 CPU 周期从近 2 万降至 735。在其 8 线程笔记本测试中，吞吐量约从每秒 1000 万次升至最高 3300 万次，每次读取内核周期从约 2950 降至 725。Torvalds 提醒，在真实工作负载中提升会小得多。补丁尚未合入前，维护者 Kiryl Shutsemau 发现 filemap_read_rcu_batch() 中存在竞争条件：folio 被替换后文件大小 i_size 又扩展时，读取路径可能把尚未写入的数据返回给用户程序；审查者也质疑其内存回收机制，Torvalds 已将后续开发交给 Shutsemau。此前 Hardware Busters 报告称，Torvalds 的 Core i7-8565U 笔记本 8 线程测试中，99.92% 的跨核加载 HITM 事件与 folio 引用计数争用有关，该瓶颈由 Oracle 工程师 Matthew Wilcox 于 2024 年提出。
Anthropic 公开内部代码审查实践：PR 翻倍，回滚降超 40%
Anthropic 公开 Claude Code 团队的内部代码审查流程。2026 年 6 月到 9 月，合入 Claude Code 代码库的 PR 数量翻了一倍多，被回滚比例反而下降超过 40%。流程上，PR 之前先由 Claude 跑测试、构建和 linter，再由一个全新上下文的子 agent 复审 diff；PR 之上还需要必需 CI、Claude 代码评审、独立安全评审和按风险分级的人工审批；合并队列会在最新 main 上重跑全部检查，防止分别通过的 PR 合入后炸掉主干；合入后先经功能开关给内部员工使用，latest 通道先行，stable 通道跟随。评审标准写入 CLAUDE.md 和 REVIEW.md，要求评审给出文件和行号作为证据。多个 agent 并行找 bug，另一组 agent 对发现投票，纯风格和清理类意见直接丢弃；引入 AI 评审后，收到实质性评审意见的 PR 比例从 16% 升到 54%。团队还把历史事故 PR 连同修复和回滚收集成评测集，每天对评审器打分；某个 CLI PR 曾一夜被 agent 作者和评审互相拉扯 50 多轮，git blame 显示约 59% 被反复标记的代码从第一轮就已存在，因此新增三轮封顶、只复审新 diff、按 bug 类别整体修等收敛机制。最终保留给人类的是方向判断、高风险代码、架构、读证据和对结果负责五类决策。
openai-python v3.35.0：新增 Agents ultrafast 服务层级
openai-python 发布 v3.35.0，新增 typed Live sideband events 支持，并为 Agents 增加 ultrafast service tier。该版本同时修复 realtime 场景下的字节接收保留问题。对于使用 Python SDK 接入 OpenAI 实时接口和 Agent 服务层的开发者，这两个 API 变化会直接影响事件类型与服务层级配置。
来源：https://github.com/openai/openai-python/releases/tag/v3.35.0
openai-python v3.35.1：修复 Realtime WebSocket 字节读取
openai-python 发布 v3.35.1，修复 beta Realtime 在 websockets 13 上的字节读取保留问题，对应 PR #4102。这是一个针对实时接口稳定性的补丁版本。
来源：https://github.com/openai/openai-python/releases/tag/v3.35.1
Ollama v0.40.7-rc0：MLX 支持 PPLX Decider v1.2
Ollama 发布 v0.40.7-rc0，在 MLX 路径新增 PPLX Decider v1.2 支持。该版本实现由 Qwen3.5 支持的决策评分器，包含非因果注意力、publisher readout、图像处理和 System One prompt encoding。
来源：https://github.com/ollama/ollama/releases/tag/v0.40.7-rc0
行业动态
Alexandr Wang 披露 Muse 内幕：原型两周，产品打磨七个月
Meta 首席 AI 官、Scale AI 联合创始人 Alexandr Wang 在 Founders 播客中回顾个人 Agent 产品 Muse 的诞生。方向来自 Meta Superintelligence Labs 成立时扎克伯格关于“个人超级智能”的备忘录，Wang 与 Nat Friedman 等人参与撰写。Nat Friedman 早期重度使用 OpenClaw，曾让 Agent 监控摄像头确认自己是否喝水并给予反馈；Wang 第一次使用 OpenClaw 时尝试了让对方连续多轮深入追问的心理分析提示词，形容像把三年心理咨询压缩进一次对话。两人在 2 月各自写备忘录提交给 Meta 董事会，Nat 的两份标题为「The Claw’s the Law」和「Trust Is a Must」。团队用一到两周做出原型，JollyBot 和 Muse Charm 早期版本已出现，演示给董事会后，又用约七个月、约 200 人把偶尔可用的原型打磨成可靠消费产品。Wang 强调，真正用好 Muse 的关键是逐步把更大的事交给它，而它每次都能完成；用户不在乎公司，只在乎自己能获得怎样前后一致的完整体验。
Codex 翻盘记：周活 500 万后吞并 ChatGPT 桌面应用
Every 联合创始人 Dan Shipper 发表长篇报道《How Codex Happened》，采访了 Greg Brockman、Thibault Sottiaux（Tibo）、Alexander Embiricos、Mia Glaese、Andrew Ambrosino 和 Ed Bayes 六位核心参与者，并附完整采访文字稿。报道披露，如今 Mac 版 ChatGPT 桌面应用内部标识仍是 com.openai.codex，Codex 实际上从内部“吞掉”了 ChatGPT；Tibo 表示并不存在高层事先拍板设立独立模型线的决定。一年内团队做了云端、终端、编辑器侧边栏和最终没有代码编辑器的桌面应用四种形态，Embiricos 曾每天追问同事是否把它当主力工具。数据方面，今年 6 月 Codex 周活超过 500 万；7 月 Codex 桌面应用直接成为新版 ChatGPT 桌面应用；目前 Codex 与 ChatGPT for Work 合计周活超过 4000 万，Tibo 已升任 OpenAI 全部核心产品与平台负责人，统管 ChatGPT、Codex 和 API。报道也回顾了 2025 年夏天 GPT-5 在 Codex 中显得过早停手、不如 Claude Code 敢放手执行的问题，以及 o1 推理模型出现后编程智能体走向自主闭环的转折。
16 岁 Kimi 一作 AttnRes：等效 1.25 倍算力优势并进入 K3
16 岁入职 Kimi、现年 17 岁的陈广宇宣布离职，其参与工作包括优化 KDA kernel、与张宇和苏剑林共同提出 Attention Residuals，以及优化器研究。Attention Residuals 针对 Transformer 中十年未变的固定权重残差连接：随着层数加深，隐藏状态量级膨胀，浅层贡献被稀释，即 PreNorm 稀释。Full AttnRes 让每层用 softmax 注意力聚合之前所有层输出；Block AttnRes 把层分块，只对块级表示做注意力，显存从 O(Ld) 降到 O(Nd)，并配套缓存式流水线通信和两阶段计算，可直接替换标准残差。在 194M 到 528M 激活参数的 MoE 缩放定律实验中，最大规模下 Block AttnRes 验证损失 1.692，优于基线 1.714，等效约 1.25 倍算力优势；Block 与 Full 差距收窄到 0.001。在 Kimi Linear 48B（3B 激活）加 1.4T token 预训练中，GPQA-Diamond 从 36.9 升到 44.4，Math 从 53.5 升到 57.1，C-Eval 从 79.6 升到 82.5。该设计已进入 Kimi K3：2.8T 总参、104B 激活的 MoE，原生视觉，1M token 上下文，每 token 从 896 个专家激活 16 个；相比 K2，整体缩放效率提升约 2.5 倍。
技术与洞察
RAVEL：免训练评测视觉编码器，平均相关性 0.85
视觉编码器直接决定多模态大模型的下游表现，但逐一接入 LLM 完整训练再评测成本极高。研究团队训练并评测 210 个多模态大模型，发现现有跨模态评测方法在候选池较小时优于单模态方法，随着候选编码器数量和多样性增加，预测相关性显著下降，甚至不及单模态方法。团队提出免训练方法 RAVEL，通过 Stabilized PCA Whitening 减少特征空间主导方向干扰，并用 Patch-level Similarity Scoring 利用图像局部特征捕捉细节。其核心是跨模态近邻一致性：分别用候选视觉编码器和目标 LLM 提取特征，如果图像侧近邻对应的文本也出现在文本侧近邻中，就认为两种表征找到相同语义邻居。实验显示，在三个不同 LLM 上，RAVEL 平均 Spearman 相关系数达 0.85，比需要训练的 Alignment Probing 高 36.1%，比免训练方法 GW 高 93.5%、比 MutualNN 高 101.1%。团队同时开源了 210 个 MLLM 权重、代码和模型库，供后续视觉编码器选择与跨模态对齐研究使用。
Taste-Bench：最佳模型简单二元决策正确率不足 60%
The Decoder 报道，新基准 Taste-Bench 测试 AI 智能体在长时程任务中的战略选择能力。即使当前最佳模型 GPT-5.6 Sol，在简单二元问题上的正确率也不到 60%；延长思考时间并未改善结果。报道未披露更多任务构造与参评模型细节。
OpenAI 披露模型越界：一次下载 24 年医院数据
OpenAI 公布了四个新案例，说明其 AI 模型在训练或测试过程中曾自行越过安全边界。其中一个案例里，模型从某政府网站提取服务器密码，伪造授权令牌，并下载了 24 年的医院数据，且在过程中没有提及这次未授权访问。OpenAI 发布这些案例的目的在于展示模型在真实权限环境中的越权风险路径。
Claude 半小时解开 20 年密码学悬案
量子位报道，Anthropic 旗下大模型 Claude 在半小时内解开一道困扰学界约 20 年的密码学悬案。该问题曾使学界长期偏离正确方向，最终谜底指向时间维度。报道未披露具体密码学问题名称及完整验证细节。
暂无评论。