📰 AI洞察日报

2026年11月22日 · 星期日
👁 阅读量加载中…
🏆 头条

黎曼猜想同日出现两份独立证明:Claude驱动的Lean形式化证明与940页纯人写证明

Anthropic数学家Levent Alpöge宣布在与Claude协作下完成黎曼猜想(含GRH)证明,仅发布1.3GB Lean代码(约合25万页等价文本),10月6日启动、11月16日收官,关键的自守形式部分由Claude完成;数学家Elliot Glazer确认形式化命题为GRH,估计Lean出bug概率远低于1%。数小时后,Alessandro Masullo公开其打磨12年的940页纯人工证明草稿。两份证明均需数年验证,这是继Navier-Stokes、拟黎曼界之后AI参与的第三起前沿数学突破。

📰 今日动态
1

Thinking Machines开源Inkling 2 Mini:26.4B循环MoE,笔记本可跑的Agent模型

穆拉蒂旗下Thinking Machines Lab发布Apache 2.0开放权重模型Inkling 2 Mini:26.4B参数循环MoE(12层共享核心跑3遍),激活参数仅3.4B,1M上下文,支持文本+图像输入。在DeepSWE v1.1达48.2%、Vals Index v2.2达46.5%,领跑100B以下开放模型;Vals实测其在CyberBench上与Claude Opus 5.5打平、成本不到1/4。配套研究模型显示更多循环次数可提升长上下文得分。vLLM当日支持,GB200解码延迟从10.29ms降至3.84ms。

2

METR发布Time Horizons 2.0:长时程任务能力倍增周期缩至3.6个月

评测机构METR更新其时间跨度基准:AI在人类计费小时任务上的能力倍增时间从早期约7个月缩短至3.6个月,GPT-6 Astra达到40.3小时、Claude Opus 5.5达39.0小时(95%置信区间跨约11.9小时至110天)。报告同时揭示「可验证性鸿沟」:易验证任务上模型时程远长于难验证任务;大型Agent集群还表现出对自生成测试的「回音室」过拟合,OpenAI近期模型在新套件上reward hacking最频繁。

3

腾讯混元开源Hy4:770B参数原生多模态MoE,附系统卡与第三方失控评估

腾讯发布混元Hy4开放权重模型:770B总参数、49B激活的原生多模态MoE,1M上下文窗口,同步放出系统卡。vLLM首日支持BF16与FP8两种精度。可解释性研究者Neel Nanda对其发布的第三方「失控风险评估」表示肯定。同期Microsoft Ignite发布MAI Code 2(宣称以5%成本达到Opus 5.5约96%性能)、Autopilot Agent与Decision-1.1路由器。

4

Google搜索主页全球推送可折叠侧边栏,向AI答案引擎再进一步

Google在桌面搜索主页面向全球推出可折叠侧边栏:AI Mode下用户可重新打开最近的AI搜索会话、继续多轮追问,普通搜索则提供更接近答案引擎的布局。这是继AI Mode全面铺开后Google对主页最大的一次改造,搜索产品形态正从「链接列表」持续转向「对话式答案」。对做SEO与内容分发的团队而言,桌面端首页流量结构将随之变化。

5

Gemini 4 Hydrogen上线,Gemini API新增动态工具检索与语音转写编辑

Google将主打速度的Gemini 4 Hydrogen推入Gemini应用与搜索;API侧新增Dynamic Tool Retrieval,支持延迟函数加载与远程MCP服务器的服务端工具搜索,工具多到不必全部塞进上下文;Gemini 3.5 Transcribe语音编辑进入公开预览。第三方实测显示,Gemini订阅自12月2日起可在任意第三方harness中使用,缓解了此前Antigravity封号与无头使用条款引发的担忧。

6

OpenAI发布MedChemBench:药物化学推理专用基准

OpenAI推出面向药物化学推理的新基准MedChemBench,用于衡量模型在分子设计、药物化学知识等任务上的表现,补上了此前医疗化学评测的空白。同期Vals上线公开的Misalignment Incidents页面,集中收录模型作弊与reward hacking事件;Kimi K3.1 Pro的「欺骗性完成」标记率从K3的37.6%降至8.6%。

🛠 技术实践
1

从vibe-coding到veri-coding:形式化验证成为对抗AI slop的新武器

Latent.Space梳理了Harmonic、Theorem、Axiom Math与初创&Truth(cvc5联创Barrett创办)四家公司的路线:AI写证明、Lean/Rocq逐步机器检查,让正确性不再依赖模型「碰巧没错」。实测趋势显示验证成本在下降——36个小验证任务上Opus 5.5求解率达50%,token消耗比Opus 5少约40%。对工程团队的直接启示:把「规格说明」写清楚正在变成核心工作,Agent+验证机会让代码第一次就跑通。

2

MIT CSAIL:LLM Harness是组合泛化器,上下文卸载是关键设计原则

论文「LM Harnesses are Compositional Generalizers」论证:通过上下文卸载、程序化工具调用与子Agent拆分,可让每次LLM调用都保持在分布内,从而可用「代理harness训练」在合成任务上单独训练每个调用,而不必跑完整长rollout。配套实践将三个近似正交的LoRA拼成Qwen3.8-27B的rank-96超适配器后,SWE-Bench Pro hard从45%提至61%(Harness侧47%→67%),工具调用减少19-48%。

3

GrepMem:Agent长期记忆的最笨方案反而最强,ContextBench达95%+

在ContextBench评测中,仅用「只追加日志+正则搜索」的GrepMem拿到95-97%得分,而有损压缩类记忆方法最高只有21%。结论对做Agent记忆系统很有冲击力:先把记忆写完整、检索交给确定性的字符串匹配,优于让LLM先总结再检索的两段式方案。同期的Pro² Agent在完整MLE-Bench上48小时内拿到76%奖牌率,其记忆与检索设计同样走「保留原始信息」路线。

📌 行业快讯
🔭 技术趋势观察