OpenAI 公布内部前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上分享 Lean 证明形式化和研究细节。
推荐理由：OpenAI 公布内部前沿模型在数学未解问题上的结果，并开源 Lean 证明形式化，读者可查看研究细节。
#OpenAI
#OpenAI
今日 1 条OpenAI News精选AI 评分6161
Simon WillisonAI 评分3333 Qwen3.8 27B 用单词做加法基准测试
一项基准测试了本地 `Qwen3.8-27B-Q4_K_M.gguf` 模型能否只用英文单词表达正整数加法的精确结果，共 5,070 个关闭推理的用例及 169 个开启推理的对照用例。关闭推理时数值准确率仅 23.57%，其中 1-3 位数运算达 97.04%，10-13 位数降至 6.44%，格式合规率 96.17%；开启推理后在 169 次尝试中答对 167 次。
The DecoderAI 评分4747 AI 在速度和准确性上超越持证会计师，但仍无法在无监督下完成结账
Mercor 的研究让 12 名平均经验 5 年半的持证会计师完成 APEX Accounting Benchmark 的简化任务，结果显示当今 AI 模型的速度、准确率和成本均优于会计师，而 18 个月前最佳模型得分还低于会计师约 37% 的平均水平。
TechCrunch · AIAI 评分6868 Graphite 研究找出各前沿模型的 AI 写作特征，Claude Opus 5.5 爱说 this matters
TechCrunch 报道 Graphite 的新研究：对比 ChatGPT 发布前的 10,000 篇人类文章和各模型重写版本，找出 13,000 个在 AI 文本中出现频率至少高 2 倍的短语。
OpenAI NewsAI 评分3131 OpenAI 推出 MentalHealthBench 心理健康对话评测基准
OpenAI 推出 MentalHealthBench，这是一个由专家参与构建的评测基准，用于评估 AI 在真实心理健康对话中给出回复的有效性与安全性。
OpenAI NewsAI 评分2626 OpenAI 经济研究解读：劳动者如何用 AI 开启新的工作方式
OpenAI 经济研究新报告分析了劳动者如何超越传统职业角色使用 AI，以及哪些新的活动成为其工作中的常规部分。报告揭示了 AI 在实际工作中的使用模式。
Hugging Face Blog精选AI 评分6464 IBM Research 推出 ALTK-Evolve 一致性指南，将 Agent 一致性差距从 24.4pp 降到 12.0pp
IBM Research 在 ALTK-Evolve 中推出 Consistency Analyzer 和一致性指南，针对 Agent 同一任务多次运行结果不稳定的问题。
推荐理由：原文给出可复用的 Pass^k 指标和一致性诊断方法，读者可据此评估并改善自己 Agent 的复现稳定性。
OpenAI News精选AI 评分8181 OpenAI 分享 Navier–Stokes 千禧年难题的 AI 生成解法
OpenAI 分享了一个针对 Navier–Stokes 千禧年大奖难题的 AI 生成解法，内容包括一份解题文章和一个 Lean 形式化证明。材料来自 OpenAI 官方公告，feed 未提供完整正文，具体证明内容和方法细节以原文链接为准。
推荐理由：官方公开了 AI 生成的 Navier–Stokes 千禧年难题解法，并附带 Lean 形式化证明，读者可以据此关注 AI 在数学证明方向的实际产出。
Hugging Face BlogAI 评分4343 Hugging Face 提出 Quantization-Aware Healing：4-bit 压缩模型反超全精度原版
Hugging Face 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 结构压缩至 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复后的 bfloat16 检查点蒸馏。
Hugging Face BlogAI 评分5151 ALTK-Evolve 实验发现智能体记忆需要按模型能力校准剂量
IBM Research 团队基于 ALTK-Evolve 在 AppWorld 的 585 个多步任务上测试八种模型后发现，智能体记忆该给多少取决于模型能力。
Import AIAI 评分4444 Import AI 469：科学 AI、RSI 模拟器与 DiG-bench 发现能力基准
DiG-bench（Discovery in Games）发布，这是一个包含 70 款游戏的基准，用于测试 AI 通过探索自主发现隐藏规则的能力，21 款游戏已公开。
Google ResearchAI 评分5959 Google Research 提出知识画像框架：前沿 LLM 的事实性瓶颈在召回而非编码
Google Research 发布 WikiProfile 基准（2,150 条 Wikipedia 事实，每条配 10 个任务）和知识画像框架，评估 13 个 LLM 后发现前沿模型 95–98% 的事实已编码，但仍有 26–34% 无法直接召回，开启 thinking 后仍有 11–12% 失败。
Import AIAI 评分7272 Import AI 466：MirrorCode基准发布、机器人 bitter lesson 与 OpenAI 模型越权入侵事件
Epoch 与 METR 发布 MirrorCode 基准，测试 AI 仅凭 CLI 访问重新实现完整软件的能力，25 个目标程序中 17 个有至少一次满分运行，Claude Opus 4.7 用 14 小时、251 美元推理成本完成了人类估需 2-17 周的任务。
Import AIAI 评分5252 Import AI 464：Fable 在 KernelBench-Mega 写出最快 megakernel，AI 自动化能力持续攀升
Jack Clark 在 Import AI 第 464 期汇总：Fable 在 KernelBench-Mega 上以 CUDA 写出 18.71X 加速的 megakernel。
Import AIAI 评分6262 Import AI 462：AI 说服力超越人类专家、自维持 AI 时间线与 DeepMind 探讨通往 ASI 的路径
Import AI 第 462 期汇总多项内容：牛津大学、英国 AISI、斯坦福等机构的研究通过 4 项实验、6923 人的 18978 段对话，发现 AI（最强的为 Opus 4.1 和 Opus 4.6）在文本说服上稳定超越专家人类，募集真实捐款时比职业募捐者高 10.8 个百分点；当限制 AI 以人类速度和篇幅输出时，优势降至不显著。
Google DeepMind精选AI 评分6464 Google DeepMind 塞拉利昂试验显示 Gemini Guided Learning 助学生数学进步相当于 1.2 到 1.7 年
Google DeepMind 公布在塞拉利昂开展的一项预注册试验结果，学生使用 Guided Learning 八周后数学成绩较对照组提升 +0.258 个标准差，约相当于 1.2 到 1.7 年的典型学习进度；教师把 Gemini 融入约一半课程达到 12 小时目标的班级进步更高，约 1.8 到 2.5 年。
推荐理由：Google DeepMind 公布塞拉利昂预注册试验的教学细节与量化结果，并开放教师培训指南与 RCT playbook，读者可了解可复制的研究做法。