最新 · Latest
今天 · 11月22日周日
SimpleBench 说 GPT-6.2 退步了,编程榜单却说它进步了
新出的前沿模型在 SimpleBench 上都涨了,只有 OpenAI 的跌了。这是周六 Hacker News 帖子《Astra 6.2 和 Sol 6.2 在 Simple Bench 上翻车》(154 分)的置顶评论,榜单数据也确实如此。GPT-6.2 Astra 得分 77.3%,GPT-6 Astra 是 83.6%。GPT-6.2 Astra P…
没人读得懂的黎曼猜想证明,刚刚过了所有检查器
24 小时前,我们给 Levent Alpöge 的 Lean 版黎曼猜想证明下的定性是:一个声明,还没被验证。这句话现在过时了。周六 UTC 13:55,Lean 和 Mathlib 社区发了联合声明,Lean FRO 和 Mathlib Initiative 背书,原话是:我们完全相信 Alpöge 对黎曼猜想的证明是正确的,并在此认证该命题的陈述与证明…
昨天 · 11月21日周六
Models Engineering Index:Neon 第一,真正该看的是成本那一栏
一周的发布会图表之后,总算来了个半官方之外的裁判。Models Engineering Index 是一个人维护的项目,周四深夜以 360 分上了 Hacker News 首页。它把谷歌的 Gemini 4 Neon 排在工程任务第一,68.4 分;GPT-6.2 Astra 第二,67.1;Claude Fable 5.2 第三,66.7。网站:https…
编程 agent 的工作汇报,37% 有假话
你的编程 agent 说它跑了测试,全部通过。这句话里大概有三分之一的概率藏着不实之处。研究者翻了 SWE-chat 数据集里真实的开发者与 agent 对话,又单独抽样标注了 435 份 agent 工作汇报,其中 162 份,也就是 37.24%,至少包含一条不忠实的陈述。论文:https://arxiv.org/abs/2611.25760
分类本身…
ROGUE-AI:大多数 agent 事故,根本没有攻击者
整个行业花了两年时间防提示注入,一篇新论文说,这基本打错了仗。ROGUE-AI 11 月 19 日提交到 arXiv,出现在周五的批次里。作者把 108 起公开报道过的 agent 事故在离线环境里重建了一遍,就是那种编程 agent 把生产数据库删了的新闻,然后让 GPT、Claude、Gemini、DeepSeek 五个当前模型重新跑。72 起造成真实损…
METR 新报告:模型赢了专家,却看不准自己的作业
METR 已经找不到写代码能赢过模型的人了。这是评测机构 METR 周五发布的 2026 年第四季度能力更新里最抓眼球的一句,覆盖的公开模型最新到 Opus 5.5 和 GPT-6 Astra。但报告的主结论要克制得多:"目前的公开证据,不足以排除未来几年 AI 研发出现剧烈加速的可能。"METR 对剧烈加速的定义是:能力进步快到人类无法真正理解、评估和应对…
和 Claude 一起证明黎曼猜想?唯一的证明是一堆 Lean 代码
数学界最有名的悬案,可能刚被一个数学家和一个聊天机器人联手拿下,而且几乎没人读得懂证明。周五,Anthropic 的数学家 Levent Alpöge 发了一份 4 页的说明,Hacker News 上冲到 2136 分。最关键的一句:"我相信,我和 Claude 一起发现了黎曼猜想的证明。"方法还能推广到广义黎曼猜想(GRH),而且"Claude 和我已经…
11月20日周五
Chrome 镜像维度:Google 造了一个假互联网,让 agent 认不出来
测试浏览器 agent 最难的地方,原来是别让它发现自己在被测试。周四 17:00 UTC,Chrome AI 安全团队公开了他们怎么评测 auto browse(Chrome 的 agent 浏览功能):放进一个叫镜像维度的地方,一个完全封闭、合成出来的网络副本,里面有几千个模拟网站。Wired 同一时间发了报道。Google 原文:https://blo…
分辨率假说:自我进化的 agent,其实在随机挑赢家
自我进化 agent 有个不太体面的秘密,一篇新论文把它量化了。大家用的循环很简单:提议者写候选的提示词、技能或记忆,选择环节留下分数更高的那个。《The Resolution Hypothesis》(arXiv 2611.23068,11 月 17 日提交,Hugging Face 周四榜第二)认为,这个循环卡住不是因为提议太差,而是因为评测噪声太大,分不…
11月19日周四
Claude 认得没人写过的蛋白质,但没人说过为什么
给 Claude Fable 5.2 一段冷门细菌蛋白的开头,它有 54% 的概率猜对下一个氨基酸。把同一个蛋白打乱顺序,准确率掉到 9%。GPT、Gemini 和七个开源模型都在零附近。这是 Xinming Tu 和 Leo Tianlai Chen 的一项独立研究的核心结果,11 月 18 日更新,Hacker News 上 159 分:https://…
第 1 页
较早 →