Bolzano:从专家指导的定理证明搜索到自动化开放问题求解
开源多智能体系统 Bolzano 在缺乏特定人工指导的情况下,求解了约 200 个开放数学问题。 该系统并行使用证明智能体与验证智能体,维持人类可读的研究状态。此前在专家筛选问题上,8 个结果的证明已获领域专家校验。 其中包含在 STOC 2026 顶会论文中回答 4 个由作者确认的问题。
开源多智能体系统 Bolzano 在缺乏特定人工指导的情况下,求解了约 200 个开放数学问题。 该系统并行使用证明智能体与验证智能体,维持人类可读的研究状态。此前在专家筛选问题上,8 个结果的证明已获领域专家校验。 其中包含在 STOC 2026 顶会论文中回答 4 个由作者确认的问题。
CanonQ 框架通过解耦源规范化与任务适配,实现了 W2A4KV2 极低比特大语言模型压缩。 在 LLaMA3 系列模型上,CanonQ-Omni 使 WikiText-2 困惑度降低 14.28 倍,零样本平均准确率提升 57.9%。该优势在 Qwen3、代码生成及数学推理任务中均有体现,显著优于现有量化基准。
该研究证明了具有稀疏路径属性的图连通性问题属于 ReachUL、LOGDCFL 等低空间复杂度类,仅需 O(log^2 n / log log n) 空间即可判定。
在 280 个实际案例中评估 9 个模型,发现 4B 模型在受控执行任务上弱于 2B 模型,仅代码生成任务能区分模型性能。 将各调用点路由至最优本地模型,准确率达 91.8%,成本仅为全托管的 28%。该方案已被 NeurIPS 2026 Workshop 接收。
研究表明 AI Agent 在开放式科学发现任务中表现优异,Station 环境平均复现了 62.7% 的关键发现标准。该成绩显著优于 Codex Multiagent-v2 (15.4%) 和 AI Scientist-v2 (14.4-20.6%)。
OpenAI 宣布 GPT-6 全面替换 GPT-5.6,免费及 Go 用户开始使用 GPT-6 Luna,付费用户使用 GPT-6 Sol。ChatGPT 界面新增 Intelligent UI 功能,支持根据问题动态生成图表、工具或交互式组件,并支持流式显示生成过程。
FrugaLLM 是一款支持 Windows、Mac 和 Linux 的免费应用,它自动配置免费端点,并搭配 Hermes 或 Opencode 动态切换模型以确保使用最智能的模型。 该应用还帮助用户部署本地 LLM Gemma4,实现 100% 隐私保护,尽管其智能和速度不及云端模型。
文章探讨开源项目是否应接受 LLM 生成的代码贡献。作者提出“中间立场”(允许使用但需人工审查)是短期折中但长期不可持续,最终会导致代码库被低质量 AI 生成代码(slop)侵蚀。
新工具“Speak to a Protein”将蛋白质结构分析转变为与 AI 协同科学家的交互式多模态对话。该系统能实时检索文献、生成代码并在 3D 场景中突出显示配体结合口袋。
summary_zh: S1-MAS 提出将多智能体系统的协调决策与推理分离,利用轻量级 System One 模型处理任务选择与路由,显著提升协作效率。 在七个基准测试中,相比 AgentVerse 等框架,S1-MAS 将 GPT-4o 的 token 消耗降低 44.9% 至 97.2%,端到端延迟减少 37.8% 至 93.0%。
OpenSplatGraph 提出统一框架,直接从在线 Gaussian 开放词汇语义图构建持久 3D 场景图。 框架引入可靠性感知语义场以提取置信度感知的对象实例,支持语言引导的对象定位和结构化关系推理。
开源工具 Transect 基于 Inspect Scout 构建,帮助评估者解析长程 LLM Agent 运行记录。 它通过导航式报告对齐事件、token 消耗及行为标签,支持追踪来源轮次并导出数据。 Transect 支持在生成近 1300 万 token 的 AI R&D 评估中保持科学严谨性与可复现性。
研究者提出了一种基于 Lean 4 的 AI 辅助形式化方法,用于证明庞加莱猜想。通过结合数学家准备的证明蓝图和明确的里程碑陈述,实现了并行 Agent 工作,并提供了让数学家定位阻碍并提供指导的清晰节点。该项目为未来形式化项目中的可复用基础设施提供了起点,有望降低几何分析中数学结果验证的成本。
研究提出后见之明元经验蒸馏(HMED),用于改进智能体生成与修订技能的过程。 HMED通过在同一恢复状态下重新执行旧版和新版元技能,剥离初始状态影响,即使未保留的修订也能转化为可复用的结构化学习信号。 该方法在三个交互式智能体基准和开源、闭源模型上稳定提升了技能发现性能,使元技能学习转向关注改进过程本身。
研究提出 PAIR 流水线与 RePAIR 训练方法,旨在解决移动 GUI Agent 在个性化界面中跨用户可靠性低的问题。RePAIR 在未见用户上将用户条件化成功提升率提高 5.87 pp,整体任务成功提升率提高 9.42 pp。
提出免训练框架 OOPMAS,以查询级粒度动态生成多智能体架构与协作工作流。 通过模拟面向对象类定义智能体及动态技能库反馈,无需梯度更新即可在混合任务中实现上下文优化。 在混合任务基准上准确率达 89.6%,超越最强基线 18.1 个百分点,使用最强 LLM 时可达 92.4%。
一款基于 Rust 开发、利用 AI 技术的 Adobe Creative Suite 开源版本已亮相。 该工具旨在为用户提供与主流创意套件相似的开源替代方案,强调其技术栈构成。
面向 macOS 的 AI 硬件设计工作区 Lathe 即将上线,支持通过对话生成 3D 模型、电路板和固件代码。 允许导出 STL、SVG、CSV 及源码文件,项目数据本地存储,提供包含限额 AI 的免费层级。
Windows ML 新增实验性 llama.cpp 支持,允许本地运行 GGUF 模型。 该更新包含 Windows-native Runtime API 预览版,提供 OpenAI 兼容端点及文本生成、语音识别 API。 此举提升了在 Windows 上构建本地智能体系统及开发模型的灵活性。
Docker 发布 Docker Agent,一个允许通过声明式 YAML 配置构建、运行和分享 AI 智能体的 CLI 插件。核心功能包括多智能体编排、支持任意 MCP 服务器、AI 提供商无关性(支持 OpenAI、Anthropic 等)以及可插拔的 RAG 检索。
NVIDIA 与 Microsoft 联合宣布推出支持本地 AI Agent 的 Windows PC 硬件生态,包括搭载 NVIDIA RTX Spark 的笔记本电脑和桌面电脑。
推荐理由:原文展示了NVIDIA与微软如何在Windows桌面端协同工程化AI Agent基础设施,涵盖硬件规格与本地运行模型的能力边界。
Qwen 3.8-27B 本地部署可替代 ChatGPT 和 Claude 的 $20 订阅费用。Unsloth UD-IQ4_XS 量化版仅占 13.3GB 显存,在 4070 Ti Super 上以约 33.7 tokens/秒 运行,16K 上下文足够日常使用。 本地推理消除 Claude 的 5 小时使用限制,无需额外付费即可持续迭代;数据保留在本地,避免发送至外部服务器。
Armature 团队推出 Agent.reviews,一个让 AI 智能体在选购工具前读取并发布使用体验的评测平台,功能类似传统软件市场的 G2。 该平台通过 npm CLI 连接 API,支持 Claude Code、Codex、Cursor 等工具安装使用,目前已积累数千条智能体生成的评测。 为确保隐私,系统采用确定性规则过滤、Jev 分类器及小型 LLM 三重机制,自动识别并拦截敏感信息。
个人AI助手Tab正式出隐身,公司估值达3亿美元,投资方包括SV Angel、Valar Ventures和American Spirit。用户通过iMessage或WhatsApp向Tab发送指令,由其代为处理订餐、订票、购买礼物等日常事务,拥有独立的电话号码、计算机和钱包,且不会使用用户数据训练模型、不会查看卡片信息、不可撤销的操作需用户明确确认。
AI 可降低开源项目维护成本,使个人在一年后再接手补丁时能快速重建上下文并理解代码变更。 核心场景是小型库(如 typescript-ioc)依赖项出现高危 CVE,维护者长期无人响应,用户只能自行携带补丁;AI 显著降低理解代码与重新构建上下文的费用,让“自己修”变得实际可行。 若公司永久私有化补丁而不上游,开源生态将更碎片化;AI 让开源“可修复”承诺更易实现,但回流与否取决于使用者。
Flux 是一款用于大语言模型推理的开源规划与运行时工具,会把模型“编译”到本地硬件上:先测量 GPU、CPU 和 NVMe 存储,再在真实 prompt 上为各层与 MoE 专家找到最快放置方案,生成可重复使用的“计划”,并通过 OpenAI 兼容 API 提供服务(flux serve,默认 127.0.0.1:8090)。
Anthropic 宣布将投资 1 亿美元创建一个名为 Claude Frontier Academy 的学院,旨在到 2027 年底前培训 10,000 名来自合作企业的“前沿部署工程师”。
开发者推出 iPhone 应用 Edsger,支持离线运行本地模型,提供无限次数的聊天与文件上传功能。 内置 coding agent 可编写、运行并调试 Python、C、JavaScript 及 Lua 代码,代码直接在设备上执行。 应用主要面向开发者与学生,主打完全离线、无账号限制且无需互联网连接。
独立评测机构 Artificial Analysis 发布最新文生视频榜单,阿里 Wan 3.0 位列第一,来自 Utopai Studios 的 Utopai X 以 1150 分位居第二,与第一名仅差 7 分。
VeriQuote 是一个 TypeScript 开源库和 CLI,用于验证 LLM 生成的引用是否真实存在且支持相关声明。它采用双重校验机制:确定性匹配器检查引用是否逐字出现在源文本中,LLM 裁判判断引用是否支持声明。项目在 GitHub 上提供了代码、基准测试及原始结果,所有测试数据均可复现,支持 MIT 协议使用。
AI 软件初创企业正越来越多地转向成本更低的开源模型,给 OpenAI 和 Anthropic 带来不断上升的价格压力。这一转变正威胁前沿实验室的 API 利润率,随着来自中国的开源权重模型、Mistral 和 Reflection 的替代品不断改进。
作者使用配备 256 GB 统一内存的 Mac Studio M5 Ultra 运行多个本地模型,给出了不同场景下的吞吐和内存基准。他采用 Qwen、Gemma、DeepSeek 和 Cloudflare Clef-Flash 组成多模型架构,实现从简单任务到复杂决策的本地代理工作流。
研究引入包含3,800组问答的德语临床基准MedQADE,由10名医生标注,用于评估LLM-as-a-judge系统。Gemini 3 Flash评分与医生参考标准接近(kappa=0.694),但四个模型对自身回答评价偏高,且医生弃权率随难度增加。结果表明,LLM评估者存在偏见,需医生验证后方可实现自动化评估。
Infinity-Chat 数据集揭示 LLM 开放生成中存在显著的“人工蜂群”效应,表现为模型内重复与模型间输出高度相似。该研究包含 2.6 万条真实用户查询及 3.1 万条人工标注,发现现有评分模型在偏好分歧场景中校准度不足。 该资源旨在引导未来研究以缓解由输出同质化引发的长期 AI 安全风险。
该研究系统分析了 LLM 多目标对齐中的跨目标干扰现象,并提出了单侧控制器 COVER。 COVER 通过调整目标权重,在缓解干扰的同时,当目标共同改善时能匹配线性标量化的性能。 该工作还结合了局部协方差定律与全局收敛性分析,将干扰归因于模型几何结构。
研究指出稀疏自编码器(SAE)虽为特征空间提供合理层级基础,但确立良好层级结构仍具挑战性。 分析发现特征吸收的硬性与软性形式均系统性损害层级质量,揭示了未来方法需解决的深层矛盾。 这确立了无监督概念发现中通用化/特化层级的评估协议与关键需求。
针对物理神经网络(PNN)规模受限及权重调整缓慢的瓶颈,研究提出TIDAL-Net架构。 该架构位于循环与深度网络之间,通过层间时分复用利用时间尺度分离增加有效深度。 数值实验表明,仅对传统PNN做轻微修改即可在图像分类和自然语言处理任务中提升性能。
该研究提出层级连续扩散语言模型(H-CDLMs),通过并行扩散不同语义粒度的模态提升生成效果。在LM1B上,H-CoBit的GenPPL降至49.4,较基线提升24.2分;GSM8K准确率达27.4%。该框架可推广至流匹配模型,代码将公开。
MobileVISTA 框架通过增强第一视角视觉观察并重定位动作,将标准姿态演示转化为姿态扰动数据,提升了移动操作策略的鲁棒性。 该方法专为摄像机位于运动链上的类人机器人平台设计,在 Galaxea R1 Pro 等模拟及真实任务中验证了其对测试时分布外姿态的适应性优势。
Fiorillo v0.5 是一款基于 Qwen3-4B-Base 的小型开源模型,采用 Apache License 2.0 授权发布。该模型通过低秩适配器微调,专门用于阅读随机对照试验文章并推断干预效果,支持对干预是否显著增加、减少或无变化进行概率预测。