研究發現九個 AI 模型的英文寫作較常出現難讀句型
AI 寫的英文有時讀起來不順,但哪些用字和句型可能讓人讀得比較吃力?一份尚未經同儕審查的研究比較九個 AI 模型與人類寫作,發現模型較常使用少見的詞語組合,也較常讓沒有生命的事物做出像人的動作,例如「報告主張」。這些差異在聊天和寫程式的對話中比在短文裡明顯。研究只分析英文,沒有請讀者實際閱讀測試,因此這些特徵不能直接說明文章品質,也還不能確定背後原因。
AI 寫的英文有時讀起來不順,但哪些用字和句型可能讓人讀得比較吃力?一份尚未經同儕審查的研究比較九個 AI 模型與人類寫作,發現模型較常使用少見的詞語組合,也較常讓沒有生命的事物做出像人的動作,例如「報告主張」。這些差異在聊天和寫程式的對話中比在短文裡明顯。研究只分析英文,沒有請讀者實際閱讀測試,因此這些特徵不能直接說明文章品質,也還不能確定背後原因。
黎曼猜想關於質數如何分佈,提出至今已有 167 年,長久以來都沒有解答。Anthropic 數學家 Levent Alpöge 表示,他和 Claude 一起寫出證明,並用 Lean 這套能逐步檢查數學推理的程式語言整理;獨立研究者也分別用電腦檢查,沒有發現問題。不過,數學界還需要弄懂這份證明的內容,Clay Mathematics Institute 也還沒決定是否頒發 $1 million 獎金。文章同時提到,另一份由人類獨立完成的廣義黎曼猜想證明尚未用 Lean 檢查,因此狀態不同。
推薦理由:文章整理了 Lean 電腦檢查、數學家評語與尚待釐清之處,呈現這項宣稱如何受到驗證及目前仍缺少的白話說明。
資料情況一變,MoE 模型可能得花不少時間重新學習,才能找回原本的表現。P²-MOPD 把舊模型專家的引數當成參考,同時調整學生模型的引數和各專家的影響比例,讓學生模型能靈活學習。測試中的 1.7 B 引數模型,平均恢復表現達 94.7%,MOPD 則是 80.9%;P²-MOPD 用一半的訓練步數,就超過 MOPD 最後的平均恢復表現。不過,每一步訓練的計算量和 MOPD 相同,因此實際能省多少時間,還要看訓練安排。
數學證明寫進 Lean 後,還得確認程式沒有漏掉條件,也沒有偷偷依賴不該用的公理。Andrew Sutherland 公開黎曼猜想 Lean 證明的檢查檔,列出編譯、獨立重建,以及多種核心和工具逐一檢查的結果;頁面所列的五個主要定理都通過多項檢查,並只使用三個標準公理。內容也涵蓋狄利克雷 L 函式的廣義黎曼猜想,以及由此得到的兩個數論結果。這些結論是依照 Lean 中 Mathlib 對相關數學概念的定義成立;部分檢查當時仍在進行,頁面提醒結果以形式化陳述和所用檢查工具為準。
推薦理由:多種獨立核心與重建流程都接受這份 Lean 證明,頁面也說明它依賴 Mathlib 的定義,並列出仍在進行的檢查。
推薦理由:英國隱語填字的規則讓一格錯誤就失去完美解答,這套系統在決賽遇上服務變慢時,也靠備援路徑補上部分答案。
3SUM 和全對最短路徑都是長期難以加快的問題,研究者過去認為它們的運算時間很難再改善。Columbia 與 MIT 的論文指出,Claude 找到一種更快計算長而窄矩陣中特定元素的方法,再透過已知的轉換,讓 3SUM 的時間降到 O(n^1.9992),全對最短路徑降到 O(n^2.9995)。這些改善幅度不大,卻足以推翻相關的難度猜想;研究也用 Lean 4 形式化驗證證明。
推薦理由:這項研究展示 Claude 如何從矩陣乘法問題找到更快演算法,再透過已知轉換改善 3SUM 與 APSP 的運算時間。
推薦理由:這項研究把重複推理改寫成可帶入新數字的 Python 函式,並比較了多項數學與科學基準的準確率和成本。
黎曼猜想是數學界長年未解的難題,最近卻接連出現兩份聲稱能解決相關問題的證明。一名 Anthropic 數學家表示,他和 Claude 合作證明瞭黎曼猜想及更廣的廣義黎曼猜想,並把超長證明交給 Lean 逐步檢查;不過,起始問題若翻譯成程式碼時出錯,仍可能影響結果。幾小時後,史丹佛數學家公佈 Alessandro Masullo 的全人類撰寫草稿,但 Ravi Vakil 隨後表示,有人已指出其中的問題。兩份證明都還需要數學界檢查,這場接連發生的競賽也讓人看到,AI 可以協助推進數學研究,成果仍得經過嚴格驗證。
黎曼猜想關係到素數如何分佈,但至今仍是數學界的重要難題。Anthropic 數學家 Levent Alpöge 表示,他和 Claude 找到黎曼猜想及廣義黎曼猜想的證明,並用 Lean 逐步檢查推理;證明分成 14 個資料包發布。數小時後,斯坦福公佈 Alessandro Masullo 獨立寫下的廣義黎曼猜想草稿,曾由數學家 Brian Conrad 審閱數月,但公佈後有人指出其中有問題。兩份成果都還需要數學界仔細核查,AI 證明也須確認起始問題是否正確轉成程式。
推薦理由:兩份廣義黎曼猜想證明各有審查路徑,AI 證明以 Lean 檢查推演,人類草稿則已被指出問題,呈現數學證明如何建立可信度。
電腦加法時,前一位留下的進位會影響下一位。這個實驗比較同一個神經網路的兩種演算法:一種會把前一步的狀態帶到下一步,另一種每算一位就把狀態清空。算 1 + 15 時,保留狀態的版本答對 16;清空狀態的版本卻算成 14。把數字補上很多前面的零後,清空狀態的版本雖然答對更多位元,整個答案仍是錯的。 在整理的 64,856 個案例中,保留狀態的版本全部答對;清空狀態的版本只答對 6,290 題。這說明位元答對率可能被大量容易答對的零拉高,不能代表整個算式正確。研究結果只適用於這次測試的網路和案例,也提醒我們,實際計算仍應使用精確的整數運算。
黎曼猜想關係到質數如何分佈,提出一百多年來仍未解決。一名在 Anthropic 任職的數學家 Levent Alpoge 表示,他和 Claude 找到了這道難題的證明,並公開了 1,700 萬行 Lean 程式碼,讓電腦檢查數學推理是否符合規則。數學家 Alex Kontorovich 說,電腦確認程式碼通過,不代表人已經理解整份證明;克雷數學研究所也表示,從這次宣佈到真正理解成果,還有漫長而艱難的過程。宣佈後數小時,該研究所網站仍將黎曼猜想列為未解問題。
找藥物時,讓分子更能對付疾病相關蛋白,可能也會讓它更難被身體吸收,或更快分解。OpenAI 推出 MedChemBench,收錄 99 個來自研究論文的題目,測試 AI 模型能不能看懂分子結構、解讀實驗結果、挑選候選物並預測性質。評測中,GPT‑6 Astra 擅長還原分子結構與解釋證據,但挑選化合物和預測數值仍較困難。這項測試只看模型如何運用過去的研究資料,不能證明 AI 已能發現新藥或改善實驗室決策;研究者也無法排除模型先前看過相關資料的可能。
同一句話用斯洛伐克語送進 GPT-5,可能比用英文花更多 token,讓費用增加,也更快用完上下文視窗。作者用相同的 1,012 句內容測試 204 種語言和 35 種 tokenizer,發現 GPT-5 切分斯洛伐克語所需的 token 是英文的 1.68 倍;作者認為,主要原因是訓練資料中的斯洛伐克語較少。文章也提醒,選模型時要把語言造成的 token 差異算進成本,並用實際 tokenizer 計算 RAG 文字分段;token 較省也不代表模型回答得比較好。
AI 模型在寫程式等容易自動檢查答案的工作上進步很快,但這能不能延伸到研究方向選擇等需要判斷力的工作,仍不清楚。METR 更新了用來比較模型與人類任務表現的曲線圖,加入設計 AI 評測和評分哲學論證等較開放的任務。最先進的模型在軟體工程上已勝過幾乎所有人類,卻還沒有設計出 METR 員工認為能用於研究的評測。這些新任務的數量不多、評分也不容易,因此目前還難以據此推算模型未來能否自動進行 AI 研究與開發。
Anthropic 數學家 Levent Alpöge 聲稱,他和 Claude 合作提出了黎曼猜想的證明。這個猜想關係到質數如何分佈,是著名的千禧年大獎難題之一;他的證明以 Lean 撰寫,目前只公佈在個人網站,還沒有獲得獨立驗證。Anthropic 沒有參與或評論這項宣佈。依克雷數學研究所的規則,解答須公開接受至少兩年檢視,並獲數學界普遍接受,才可能列入獎項考量。這項宣稱能否成立,仍要看後續審查結果。
量子電腦的特殊優勢能不能在更多量子位元上維持,過去還不清楚。Google Research 團隊在 Willow 量子處理器上測試一種叫 contextuality 的量子特性:兩組參與者要在不能交談的情況下,對同一格給出一致答案;預先寫好的古典規則最多隻能答對 88.89%,量子處理器答對 98.30%。團隊也測試最多 71 個量子位元的遊戲,以及最多 105 個量子位元的淺層量子電路,結果都超過古典方法的界線。這些任務還能抓出一般隨機電路測試容易漏掉的細微硬體錯誤。
推薦理由:研究以多種量子任務檢驗 contextuality 是否能在更多量子位元上維持,也指出這些任務能抓出隨機電路測試容易漏掉的細微硬體誤差。
Signal 的加密程式通過形式化驗證,究竟代表訊息有多安全?Google DeepMind 用 AI 為 libsignal 的編譯程式碼建立數學證明,確認一對一對話符合四項保障,包括舊訊息不會因目前的金鑰外洩而被讀取,以及裝置遭短暫入侵後,後續對話能恢復安全。這份證明不涵蓋群組聊天、金鑰產生或手機作業系統,也沒有證明 SPQR 的後量子修復能力。作者認為,這顯示正式驗證對小型團隊可能逐漸變得可行,但仍需要人先清楚定義要證明什麼;測試找出錯誤,證明則能排除特定型別的錯誤,兩者作用不同。
推薦理由:這項驗證直接檢查編譯後的程式碼,並列出涵蓋範圍與未證明的部分,可用來理解形式化驗證能提供什麼保障。
AI 晶片的峰值算力增加,未必代表它處理 AI 助理工作的能力也以同樣速度增加。Epoch AI 用固定的一組長上下文工作,估算已售出晶片的 AI 助理推論容量;從 Q2 2025 到 Q2 2026,推論容量成長 4.6 倍,峰值 8 位元算力則成長 2.6 倍。差距主要來自 Hopper 換成 Blackwell,Blackwell 和 Blackwell Ultra 貢獻了新增容量的 74%,GB300 每張 GPU 的推論容量約是 H200 的 8 倍。作者預期,隨著累積容量變大,要維持同樣的成長幅度會更難;這些估算也未納入軟體效率差異。
推薦理由:Epoch AI 用固定工作負載比較晶片的推論能力與峰值算力,呈現 Blackwell 世代轉換如何拉開兩者的成長差距。
推薦理由:研究比較了模型遭遇錯誤反駁時是否守住正確答案,並指出一般準確度訓練無法改善這項表現,可用來檢視模型面對質疑時的穩定度。
用小型模型分析 CSV 時,讓它分好幾步規劃、寫程式、執行,再修正錯誤,聽起來比較周全,結果卻可能更差。作者用同一個 1.5B 模型做 DABench 測試,單次提示詞產生程式、執行一次,40 題答對 0.70;AI 助理流程答對 0.55。AI 助理常在呼叫工具或修正程式時出錯,難題尤其容易卡住,花的 token 也約多 5.6 倍。這次測試題數不多,差距還不能算達到統計上的顯著程度;結果也只適用於這個小型本機模型。
AI 模型反覆修改答案時,常不知道什麼時候該停,也缺少判斷目前答案是否變好的方法。這篇研究提出 Energy-Based Reasoners,讓模型替每個推理狀態計算能量分數,再沿著分數下降的方向修正答案;分數變化變小時,就能停止推理,也能從多個候選答案中挑出分數最低的。在 Sudoku-Extreme 測試中,它用 1.8M 個引數達到 99.9% 準確率,推論運算量比次佳模型少 345 倍。研究也測試了迷宮、皇后擺放和圖形著色題。
語言模型想增加運算能力,常會加深網路或加入推理步驟;這項研究則讓模型在每一層保留能隨文字持續運作的額外狀態,並用它們影響注意力、KV cache、運算和解碼。在使用 20B FineWeb-Edu tokens 訓練的比較中,406M 引數的模型把驗證困惑度從 15.41 降到 14.40;搭配其他殘差改良方法時,數字進一步降到 13.61。研究也在多種迴圈式模型架構上測試這種設計,結果顯示它提供了增加語言模型計算能力的另一個方向。
模型在常見基準測試拿下高分,不代表就能做好日常工作。Epoch AI 用六個模型完成研究、寫作和 AI 資料中心分析等任務,再由人依照工作標準評分;沒有模型在任何一項任務達到 Epoch 員工的標準。Claude Fable 5.2 和 Opus 5.5 的 AI 資料中心分析已達承包商水準,但模型仍常沿用舊點子、很少反覆修改,也不擅長挑出重要發現。評測只有少量任務且每個模型每項只測一次,分數也含有人為判斷,因此作者提醒,結果不能代表所有工作情境。
推薦理由:這份評測把模型放進真實工作任務中比較,呈現基準測試成績與研究設計、反覆修正及成果判斷能力之間的落差。
AI 看圖推理時可能會忘記圖片裡的細節;合成語音也得花不少力氣,反覆運算的模型則可能回答得很慢。四篇新研究分別提出保留圖片線索的方法 RAPO、不用語音編碼器的 VoxMel、加快反覆運算模型解碼的 LoopFill,以及用來測試圖片物理推理能力的 DominoBench。 例如,DominoBench 用 854 個場景測試模型能不能從靜態圖片推測一連串物體碰撞;模型只看圖片時,最多隻有 72% 答對關鍵人物的結果。研究顯示,把決定答案的計算步驟和數字直接告訴模型後,答對率可提高到 82–92%。這些研究提醒我們,模型說得流暢,不代表它看得懂圖片裡的細節,也不代表它會算出正確結果。
Qwen3.5-0.8B 在思考模式下會反覆輸出數學題內容,讓模型很難正常作答。研究團隊提出 Tree-Ising,挑選模型權重中的少量位元做修改,再用 GPU 搜尋合適的改法,不需要呼叫大型語言模型。研究報告稱,修補約花 $0.90、耗時 31 分鐘;GPT-6 Astra 的修補則花 $312、耗時約 15.6 小時。在 MATH-500@4 測試中,Tree-Ising 得分為 54.6%,GPT-6 Astra 為 51.7%。不過,結果都來自數學測試,尚未經其他人獨立重現,也沒有和 LoRA 等微調方法比較。
AI 生成的影片可能出現不合常理的動作,機器人也需要更可靠的控制;大型模型的訓練和運作還會受到時間與記憶體限制。這批研究提出不同做法:讓 LLM 檢查並修改自己生成的影片,減少不合理動作;簡化 MoE 的運作方式,縮短訓練時間;也測試 AI 助理拿到不可靠資料時,會不會太有自信。另一項 3D 研究把 LiDAR、空間格子和幾何資料放進同一個表示方式,能用一次運算生成 3D 場景和動作。研究顯示,讓模型更懂物理、減少不必要的運算,並留意 AI 助理能記住多少資訊,都可能讓生成結果更順、訓練更省力、推理更可靠。
小型語言模型有時會一直重複內容,答案還沒寫完就碰到長度上限,讓原本會的題目也得不到分數。MIT CSAIL 團隊讓 GPT-6 Astra 在不訓練模型的情況下,修改 Qwen3.5-0.8B 的部分權重;在 50 次模型執行後,MATH-500 答對率從 7.9% 升到 48.1%,答案被截斷的比例則從 93.0% 降到 33.1%。研究者檢查另一批題目後發現,答對率增加主要來自原本被截斷的答案完成了,已完成答案的正確率沒有改變。這項做法修正了輸出問題,沒有教模型新的數學能力;每種修改只測了一次,結果仍需小心解讀。
AI 生成文字時,常要先猜接下來的內容,再由大型模型檢查;一次能接受的猜測有限,還得按順序訓練,因此會拖慢速度。SpecOPD 把訓練拆成多個平行分支,讓它們同時進行。作者表示,這種做法最多能讓模型一次接受的猜測增加 41.45%,生成速度最高提升 3.56 倍;測試中,Qwen3.8‑27B 也達到 3.56 倍加速。不過,評估只使用一種硬體設定,程式也尚未公開,因此換到其他裝置能否得到相同速度,還需要確認。
讓機器人把方塊推到遠處目標時,JEPA 世界模型一次規劃太多步,成功率會下降。作者在 Push-T 模擬環境中跑了 600 次實驗,發現把長任務拆成每段 25 步的短任務,並從過去示範中找子目標,可把成功率從 22% 提高到 85%。作者也用旋轉、鏡射等方式補上示範資料的空缺,讓較難目標的成功率從 45% 提高到 56%。另一項測試發現,目標圖片若連推桿位置也一起計分,可能讓機器人把方塊推離目標;只比對方塊位置時,50 個任務中有 39 個成功。這些改動不必重新訓練模型,但模型仍不擅長替沒有示範過的目標安排子目標。
有時候,人問的問題不是解決麻煩的好方法,例如蛋糕還太熱,卻一直想找讓糖霜黏住的方法。Hugging Face 與研究人員推出 XYBench,收錄 8,115 個程式和日常生活問題,用來測試 AI 助理能不能看出使用者真正想達成的目標,並把回答帶向更合適的解法。測試發現,受測模型常會回答使用者原本問的方法,較少把真正的目標放在回答重點;即使模型在選擇題中能挑出較好的建議,也不一定會在自己回答時這麼做。這項基準目前以英文和程式性問題為主。
推薦理由:XYBench 比較模型回答字面問題與真正目標的差異,也呈現模型辨認出好建議後,仍未必能在作答時優先採用。