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。
要是黎曼ζ函式有零點偏離那條關鍵直線,光知道它存在,還不代表能很快看出來。作者研究一種檢查方式,估算要算到第幾個 Li 係數,才可能從數值變成負數看出異常;零點越高,或偏離得越少,就需要算越多。他也用確實有零點偏離直線的 Davenport–Heilbronn 函式來檢查估算,結果和預測相符。文章提到,Levent Alpöge 用 Claude 寫成的 Lean 證明,已由 Lean 和 Mathlib 社群檢查;這篇文章進一步討論的是,若有偏離零點,要花多少計算才看得出來。
模型在正式阿拉伯語考得不錯,不代表看得懂人們平常使用的方言。DAR-MGSM 用同一批 250 道小學數學題,改寫成正式阿拉伯語和五種方言,再把姓名、地點、貨幣和數字換成當地寫法,測試 11 個語言模型。模型在正式阿拉伯語的平均答對率是 70.0%,換成沙烏地阿拉伯語後降到 61.9%;摩洛哥方言則是六種寫法中最低,為 55.3%。研究也發現,有些小型模型遇到在地姓名和貨幣時答對率會大幅下降;即使整體平均分數變化不大,個別題目的答案仍可能改變。因此,測試阿拉伯語產品時,除了看總分,也要用使用者的方言和在地資料逐題檢查。這項研究只測小學數學、六種阿拉伯語寫法和 11 個模型。
研究團隊在一名受試者的視覺皮質中,暫時植入含有 96 個電極的裝置,測試能不能用電流刺激大腦,幫助受試者產生視覺感受。團隊訓練深度神經網路,根據刺激前的腦部活動和刺激設定,預測大腦會有什麼反應。 這項初步測試中,讓模型挑選刺激方式,比較能引發目標腦部反應,而且用的電流較少。不過,這種方法能不能提高安全性,或對其他人也有效,還需要進一步確認。
數學證明就算看起來完整,也很難只靠人工確認每一步都沒有錯。Levent Alpöge 把黎曼猜想的證明寫成 Lean 程式碼,Lean 與 Mathlib 社群表示有信心確認證明正確。多個證明檢查工具檢查了證明;外部重跑也顯示 175,187 個模組都成功編譯,並通過 Lean 核心重播。這則訊息的重點是,證明能由工具和其他人重複檢查;原文也提到,Alpöge 表示這項工作是在 Claude 協助下完成。
推薦理由:這項證明由多個工具與獨立團隊重複檢查,適合瞭解形式化驗證如何確認數學證明及其結論。
AI 程式助理在單獨的程式測試中分數很高,但放進有同事、專案看板和聊天紀錄的模擬軟體公司後,能完成的工作少得多。這項新實驗測試了包括 Claude Opus 5.5 和 GPT-6 Astra 在內的 AI 助理,兩者完整完成的任務都不到十分之一。結果提醒我們,單項測試表現好,不一定代表 AI 助理能在較貼近日常工作的環境中把事情做完。
黎曼猜想關係到質數如何分佈,長久以來都是數學界尚未解決的難題。史丹佛數學家 Levent Alpöge 在 2026 年 11 月 20 日公佈證明,並把內容寫成 1,700 萬行 Lean 程式碼;Lean 是能檢查數學證明有沒有錯的工具。數十人各自執行程式,都得到相同結果,Lean 和 Mathlib 社群因此表示有充分信心,認為證明正確。這類工具能逐步檢查證明內容,讓其他人也能獨立確認結果。
推薦理由:Lean 和 Mathlib 社群確認這份證明通過多人的獨立檢查,呈現形式化工具如何協助檢查複雜數學證明。
做研究需要想題目、寫程式、跑實驗,最後還得整理成論文。AI Scientist 是研究者提出的架構,讓大型語言模型自動完成這些步驟,從產生研究點子、撰寫和執行程式,到整理實驗結果並寫出論文草稿。這套方法想讓 AI 自己進行開放式研究;文章也提醒,研究成果是否新穎、正確且能重現,以及能否通過同儕審查,仍是判斷它是否可靠的關鍵。
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。
電腦確認數學證明正確,不代表人已經看懂它怎麼成立。Lean 與 Mathlib 社群表示,他們有完全信心認證 Levent Alpöge 的黎曼猜想證明,並確認命題和證明相符。社群檢查了命題來源、重新編譯結果,也用多種工具檢查證明;175,187 個模組都成功編譯。Alpöge 說他與 Claude 合作完成證明,但目前公開的只有 Lean 程式碼,還沒有寫給人閱讀的論文。這項認證只涵蓋黎曼猜想,方法能否延伸到其他猜想仍未獲同樣認證。
推薦理由:報導分清電腦檢查能確認證明與命題相符,卻還不能代替人類讀懂論證,呈現形式化驗證的可信範圍。
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。
黎曼猜想的證明很長,要確認程式形式的證明能否順利重建並不容易。Levent Alpöge 與 Claude 發布了以 Lean 撰寫的證明;VIDRAFT 表示,它從頭編譯了全部 175,187 個檔案,沒有錯誤,Lean 核心也回報,最終定理只依賴三個標準公理。報告還用一個數值工具比較魏爾二次型:五個真實的 L 函式在可測範圍內呈正值,三個只改動一項條件的仿造版本則呈負值。這些數值比較和形式化證明是兩種不同的檢查結果。
推薦理由:這份報告把形式化證明的重建結果,和魏爾二次型對真實與仿造 L 函式的數值比較放在一起,呈現兩種不同的檢查方式。
GPU 核心程式跑得快,卻不一定算對;一般測試也可能漏掉只在特定情況出現的錯誤。Columbia University 和 CertiK 的研究團隊做出 TensorLean,從編譯後的 PTX 程式檢查 GPU 核心,確認它有沒有資料競爭、能不能結束,以及結果是否符合數學規格。團隊檢查了 149 個程式版本,證明其中 83 個正確,並在 6 個專案找到 38 個錯誤。當中一個 FlashAttention-4 的資料競爭,先前跑了 17,760 次測試都沒出現,顯示這種檢查能找出一般測試可能漏掉的問題。
推薦理由:TensorLean 檢查 GPU 核心程式在不同執行緒下是否安全且算對,並找到測試未發現的資料競爭,呈現形式驗證能補上的檢查缺口。
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。
已取消發行的 GBA 遊戲 Diddy Kong Pilot,留下的程式難以直接讀懂。作者花了 17 天分析這款 2003 年原型,將成果整理成唯讀研究資料庫,包含 151 份技術檔案和核心引擎的 C11 參考實作。作者記錄了畫面、精靈圖、飛行物理、遊戲 AI、碰撞和音效系統,並用模擬器及差異測試比對原始程式與重建版本。這份資料不會編譯成 ROM,也不包含遊戲素材,可供儲存研究與日後進一步比對。
推薦理由:研究以單篇文字和零樣本提示測試作者辨識,呈現匿名評論可能被辨認的程度,對依賴匿名投稿的平臺設計有參考價值。
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。
黎曼猜想的證明很長,光是能編譯成功,還不能確定它證明的命題正確。Lean 與 Mathlib 社群表示,Levent Alpöge 在 2026 年 11 月 20 日發布的證明包含 1,700 萬行程式碼,並由社群多人重複編譯。宣告說,兩種工具確認程式證明的正是 Mathlib 收錄的黎曼猜想;Lean 官方核心與多個獨立證明檢查器也檢查了匯出的證明。這些查核分別確認命題、程式和證明本身,讓社群有根據地認可這項成果。
推薦理由:這份聯合宣告說明社群如何分別檢查定理內容、程式編譯與證明有效性,呈現大型數學證明的多層查核方式。
AI 助理能快速寫程式、補測試,但工作變快後,檢查和決定「這功能到底有沒有幫上忙」反而容易塞車。這份白皮書提出 Agentic PDLC:把工作從一張張待辦事項,改成可以驗證的成果假設,讓人和 AI 助理一起從瞭解需求、設計、開發到上線後觀察。比如,團隊可以先假設「讓回來的顧客重用已確認的資料,能減少他們放棄設定帳號」,再檢查完成率有沒有提高、風險有沒有增加。AI 助理可以提出做法,但重要決定仍由負責的人把關;每一步都要留下證據,確認真的對顧客有幫助。
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。
免疫系統變老不是一路以同樣速度發生。研究人員分析 19 至 97 歲健康人士的免疫細胞,發現基因活性變化在約 40 歲和 60 歲後各出現一次明顯高峰。這兩個階段也伴隨發炎增加,以及免疫細胞管理 RNA 和蛋白質的能力下降。男女和不同種類的免疫細胞呈現的變化略有差異;這項研究描繪了免疫系統隨年齡變化的情形,並未說明這些變化會帶來哪些個人健康結果。
AI 助理在某種執行環境裡做不好任務時,換一種執行方式有時能幫它找到解法,但這些解法未必能帶回原本的環境。Harness-S 會讓同一個 AI 助理在 AppWorld、SWE-Gym 和 DBBench 裡,嘗試幾種不同的執行方式來完成原本失敗的任務,再把學到的做法帶回原本的 H0 環境。就像練習時換不同方法解題,考試時仍要回到原本的規則。 研究在 Qwen3.5-4B 和 Qwen3.5-9B 上測試,結果顯示,回到 H0 評估時,Harness-S 的表現勝過只訓練 AI 助理本身;但提供的內容沒有列出實際分數。這項做法的重點,是讓 AI 助理學會能帶回原本環境使用的技巧,而不是隻讓某種執行方式變得更好。
壓縮檔通常得靠專門設計的壓縮方法;Tufa Labs 的 tufazip 改用會邊讀邊學的 Transformer,預測文字接下來會出現什麼,再把預測結果和文字一起還原。它把 Wikipedia 的 1GB 文字無損壓到 105.39MB,解壓後不會少資料;這也是大型文字壓縮測試中,只靠神經網路預測的專案裡最小的結果。不過,壓縮和解壓各要用 2 張 Nvidia B200 GPU 跑大約 7 天。這是研究用途的成果,顯示 AI 模型也能拿來壓縮文字,但要省下空間,可能得付出很高的運算時間。
硬體測試全部通過,也可能還是違反了規格,讓一般測試工具漏掉問題。研究團隊做出名為 Verify the Verifier 的 LLM 檢查工具,會拿通過測試的執行紀錄對照規格,找出不尋常的地方。團隊在 4 個 OpenTitan IP 中放入 564 個錯誤,其中 68 個可能被測試評分器漏掉,工具確認了 41 個。這種做法有機會提早抓出傳統測試看不到的硬體問題;不過文章沒有說明誤報多不多,也還不清楚能不能用在其他專案。
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。
視覺語言模型可能在看似無關的任務中,表現出訓練資料偷偷帶入的偏好。這項研究先用藏有動物偏好的資料微調教師模型,再把教師模型產生的內容用來訓練學生模型;結果,學生模型在選擇偏好動物時,比對照組更常選中目標。在一項幾何圖形測試中,對照組選中的比例是 30.50%,偏好組則是 40.42%。研究顯示,這種偏好可能跟著蒸餾傳下去,但影響幅度會隨資料量、偏好目標、模型和資料產生方式而變化。
想查食物熱量時,大家最常搜尋香蕉還是雞蛋?作者用 Google Ads Keyword Planner 查了 36 種語言的搜尋紀錄,發現兩者各自在 15 種語言中都是最熱門的熱量搜尋。各地也有不同習慣:韓文和馬來文搜尋裡,米飯最受關注;俄語使用者查蘋果熱量的次數,是查香蕉的 3 倍多。作者也公開了 100 種食物、36 種語言的資料,讓大家可以拿來做圖表或練習處理不同語言的文字。
推薦理由:這項主張仍在專家查驗中,文中也估算了生成證明所需的模型費用,可一併瞭解成果查證與成本規模。
廣義黎曼猜想仍沒有獲得普遍確認的證明,Alessandro Masullo 公開了一份 940 頁草稿,並表示研究累積近 12 年、全程未使用 AI。手稿以 θ 函式空間和跡公式為主要方法,討論 Hecke L 函式的零點位置;目前仍有待補內容,導言也尚未完成。熟悉這項研究的數學家正在大幅修訂,公開草稿讓其他數學家能逐頁檢查、提出問題並協助補足細節,論證是否成立仍待後續修訂與檢查。
分散式系統的程式碼可能和 Raft 論文中的設計假設有落差,單靠證明協定正確,無法確定實際程式也照著做。Antithesis 用 Claude Fable 5.2 為 HashiCorp Raft 和 etcd-raft 建立 TLA+ 模型,再用故障注入測試檢查程式跑出的紀錄是否符合模型,並以 Lean 和 TLAPS 證明模型中的安全性質。過程中團隊修補了兩套程式庫的錯誤;但證明涵蓋的是模型所描述的功能,不是整份程式碼,而且仍受測試假設和未建模功能限制。
推薦理由:文章呈現形式化證明與故障注入測試如何互相補足,並說明模型和程式碼仍有落差時,追查分散式系統錯誤的做法。
天氣、氣流等混沌系統很難預測很久,AI 模型跑久了也可能算出現實中不可能發生的結果。MIT 研究團隊替模型加入一種能量限制:模型學習系統的能量變化,並透過一個調整預測結果的模組,讓系統離開合理範圍時能量下降,逐步回到範圍內。團隊在多種物理系統上測試,模型的預測更貼近真實結果;論文和開放原始碼已線上上公開。研究團隊接下來也打算測試這套方法能否用於更大型的天氣系統。
推薦理由:研究說明如何用能量限制讓混沌系統的模型長時間維持合理預測,呈現物理規則如何補足資料不足。
推薦理由:研究呈現 AI 助理反覆嘗試分析後挑出顯著結果的偏差,也比較了用子樣本校正前後的假陽性比例。
機器人會把判斷變成移動、施力或發熱,因此電腦犯錯可能不只答錯,還可能撞到人、弄壞裝置或讓貨物掉落。Physical AI 風險分類把可能出問題的地方分門別類,例如感測器看錯、定位錯誤、AI 模型誤解指令、機器移動失控,或人和機器互動時出了狀況,也會追查一個小錯如何一路傳成危險動作。像是鏡頭沾髒,可能讓機器看漏障礙物,最後選錯路線。先分清危險從哪裡來,工程師就能挑合適的方法預防、發現或擋下問題,並檢查系統改版後是否仍安全。
Navier–Stokes 方程是否可能在有限時間內出現爆破解答,是這篇 79 頁論文處理的問題。作者也提供 Lean 4 程式,將論文中的部分定理整理成可檢查的形式化證明。不過,論文提到的證書和用區間算術進行的嚴格計算都不在這個專案裡,證書也尚未公開;此外,這份程式套件套用補丁後尚未重新建置。因此,專案提供了論文與形式化證明的材料,但不包含檢查證書所需的全部內容。