#Anthropic
RSS 訂閱#Anthropic
RSS
Rohan Paul@rohanpaul_ai品質評分5858Dev.to Top Tech精選品質評分8989 Claude 協助證明黎曼猜想,數學家用 Lean 電腦檢查通過
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。
Dev.to Top Tech精選品質評分9191 Lean 與 Mathlib 社群確認 Alpöge 的黎曼猜想證明正確
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。
The Decoder品質評分6363 研究測試 AI 程式助理在模擬職場中能否完成工作
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。
The Decoder品質評分7171 METR 警告:AI 進步太快,專家可能來不及測試新系統是否安全
AI 模型愈來愈會處理研究和程式工作,但要確認新系統是否安全,專家可能跟不上進步速度。研究組織 METR 發現,在有明確目標和即時回饋的程式及計算任務上,模型多數時候已勝過有經驗的專業人士;人類需要更久才能完成的任務,模型能處理的時間長度約每 3.6 個月翻倍。METR 也提醒,常見測試可能高估模型在真實情境中的表現,因為開發者訓練模型時使用的環境和測試環境很相似。模型仍不擅長需要判斷、沒有即時回饋的開放式問題,而目前公開資料也不足以排除 AI 研究速度大幅加快的可能。
BlockTempo 動區動趨精選品質評分8989 Lean 社群認證 Alpöge 與 Claude 合作的黎曼猜想證明
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。
Dev.to Top Tech精選品質評分9696 VIDRAFT 獨立重建黎曼猜想的 Lean 證明
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。
Dev.to Top Tech品質評分6262 VIDRAFT 如何重現黎曼猜想的 Lean 形式化證明
數學證明就算寫成電腦能檢查的形式,也需要確認檔案能否完整編譯,以及最後的定理依賴哪些假設。VIDRAFT 下載並重新編譯一份以 Lean 撰寫的黎曼猜想證明,共檢查 175,187 個檔案,沒有編譯錯誤;Lean 核心也顯示,定理只依賴 Lean 和 Mathlib 的三個標準公理,沒有使用 sorry 或額外公理。作者另做了一個互動工具,用數值計算展示 Weil 二次型在五個真正的 L 函式與三個仿造例子上的正負差異。這些計算展示了相關性質,形式化證明則由 Lean 編譯與檢查。
Dev.to Top Tech品質評分7171 VIDRAFT 推出工具,觀察黎曼猜想相關的魏爾正性
黎曼猜想牽涉複雜的數學條件,不容易直接看出計算結果是否符合預期。VIDRAFT 推出 Weil Positivity Gauge,讓人用互動圖表檢視黎曼 ζ 函式和四個狄利克雷 L 函式的魏爾二次型最低特徵值。文章指出,在能測量的範圍內,這些函式的數值為正;三種刻意改動條件的仿造例子則出現負值。部分數值低到超出目前的計算解析度,因此不能把它們當成已測得的正負結果。這是用來觀察相關數值條件的工具,並不等於它證明瞭黎曼猜想。
Rohan Paul@rohanpaul_ai精選品質評分8181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。
Rohan Paul@rohanpaul_ai品質評分5858aihot精選品質評分7878 Columbia 與 MIT 論文展示 Claude 找到更快的 3SUM 與 APSP 演算法
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。
The Decoder品質評分7373 Claude 宣稱證明黎曼猜想後,史丹佛數學家公佈全人工作品
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。
aihot精選品質評分9090 Claude 合作提出黎曼猜想證明,斯坦福數學家公佈人類草稿
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。
The Economic Times · ETtech品質評分7575 Anthropic 員工稱 Claude 協助證明黎曼猜想,數學界仍待檢視
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。
SemiAnalysis@SemiAnalysis_精選品質評分8484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。
Latent Space精選品質評分8888 Claude 協助提出黎曼猜想證明,另一位數學家也公佈獨立證明
兩位數學家在相近時間提出黎曼猜想的獨立證明,但目前都還沒有完成專家驗證。Anthropic 數學家 Levent Alpöge 表示,Claude 協助他完成一份以 Lean 程式碼寫成的證明;檢查者確認程式描述的是廣義黎曼猜想,程式仍在編譯,模型版本和人類參與程度也尚未公開。另一位數學家 Alessandro Masullo 則公佈了自己花 12 年撰寫、約 940 頁的草稿。這篇文章關注兩者的差別:AI 協助的版本可能較容易用程式檢查,卻長到幾乎沒有人能讀完;人工撰寫的版本容易理解,但也還需要確認是否正確。
推薦理由:兩份獨立證明主張呈現出可由 Lean 檢查、卻難以讓人讀懂的落差,也帶出 AI 協助數學研究的驗證難題。
Dev.to Top Tech精選品質評分7676 Claude 協助提出的黎曼猜想證明通過 Lean 編譯,還不能算證明成立
程式通過 Lean 編譯,只表示機器檢查了程式中的推理步驟,還不能單靠這點確認它證明的就是數學家所說的黎曼猜想。文章整理了 Levent Alpöge 與 Claude 協作提出的證明候選:MIT 的 Andrew Sutherland 獨立編譯程式碼,結果通過,但確認程式中的命題和正式版本相同、再用多個獨立核心重新檢查的程式,當時還沒有結果。編譯也不會自動發現命題寫得較弱、定義遭替換,或證明用了額外假設。作者因此提醒,應等後續檢查與同儕審查完成,再稱它為已證明。
推薦理由:這篇文章拆解 Lean 編譯、命題比對與多核心重查各自能確認的事,幫助讀者分清程式通過檢查和黎曼猜想已獲證明的差別。
aihot精選品質評分7676 METR 更新能力評測:AI R&D 相關能力約每 3.6 個月翻倍
要量出 AI 模型能獨立完成多長、多少工作並不容易,評測方式也可能影響結果。METR 更新能力評測,測試截至 Opus 5.5 和 GPT-6 Astra 的模型在 TH1.1 與 TH2 任務上的表現,發現模型的時間視野約每 3.6 個月翻倍;在可驗證的任務子集中,翻倍時間約為 1.65 個月。METR 也討論,評測環境和 RL 訓練環境越來越接近,可能帶來測量偏差。
推薦理由:METR 用任務測量模型完成長程工作的能力增速,也說明評測環境接近 RL 訓練環境時,可能如何影響測量結果。
aihot精選品質評分8888 Anthropic 數學家宣稱用 Claude 找到黎曼猜想的 Lean 證明
黎曼猜想是數學界長年未解的難題,最近同一週出現了兩份相關證明。Anthropic 數學家 Levent Alpöge 宣稱找到黎曼猜想的 Lean 可編譯證明,並描述自己如何與 Claude 合作找出論證;數學家正在 Zulip 上審閱,文章說多數人認為這份形式化證明有望成立,但仍需要時間理解。另一份是 Stanford 博士後 Alessandro Masullo 提出的廣義黎曼猜想證明,他表示這是自己花了十二年完成的工作,沒有使用 AI。
推薦理由:兩份黎曼猜想相關證明分別採用 Lean 形式化與純人工研究,文章也呈現數學家如何審閱這些尚待理解的成果。
Dev.to Top Tech品質評分7373 GPT-5 用斯洛伐克語更耗 token,作者比較 204 種語言找原因
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。
TechCrunch · AI精選品質評分8686 Claude 協助提出黎曼猜想證明,同週也有數學家公佈全人力證明
黎曼猜想從 1859 年提出至今,仍是數學界的重要難題。數學家 Levent Alpöge 表示,他找到一份能通過 Lean 檢查的證明,過程中曾與 Claude 一起整理論證;不過,數學家還需要時間讀懂內容並確認證明。另一份廣義黎曼猜想的證明則由 Stanford 博士後 Alessandro Masullo 完成,據介紹,他為此花了十二年,沒有使用 AI。兩份主張都還需要數學界理解與檢視,文章也提到 Alpöge 會繼續努力,把自己的證明寫得更容易讓人看懂。
推薦理由:兩份黎曼猜想相關證明一份由 Claude 協助、一份完全由人完成,呈現數學界如何檢視 AI 參與研究的成果。
Artificial Analysis@ArtificialAnlys品質評分4242MIT Technology Review · AI品質評分6969 METR 更新 AI 能力曲線圖,加入需要判斷力的任務
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。
The Verge · AI品質評分7070 Anthropic 數學家稱與 Claude 合作證明黎曼猜想
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。
Tom’s Hardware AI & Computing品質評分4343 Anthropic 數學家聲稱和 Claude 找到黎曼猜想的證明
黎曼猜想是數學界有名的難題,已經困擾大家 167 年,和質數的分佈有關。Anthropic 數學家 Levent Alpöge 在論文中表示,他和 Claude 一起找到了這道難題的證明,也認為這套方法可能能用來處理廣義黎曼猜想和擴充套件黎曼猜想。不過,他的說法還需要時間確認,現在還不能確定 Claude 是否真的幫忙解開了黎曼猜想。
Anthropic Research精選品質評分8383 Claude 解出黑洞物理的兩個未解問題
黑洞形成與量子重力的關係,至今仍有許多問題難以用計算回答。Anthropic 的 Claude 解出兩個理論物理問題:一項完成了物理學家提出多年、但始終未完成的計算,發現即使時空變得模糊,黑洞形成時的突變仍會出現;另一項則找出一種研究量子重力方法所能達到的精確上限。研究團隊讓多個 Claude AI 助理分頭計算、互相核對,並以 Lean 檢查證明。這些結果沒有直接描述我們的宇宙,也沒有實際應用,但能幫助物理學家縮小探索量子重力的範圍。
推薦理由:兩項成果分別完成長年未解的計算,並找出一種量子重力研究方法能達到的精確上限,呈現 AI 協助理論物理研究的不同方式。
Hacker News (official RSS)品質評分5454 誰做出了草莓?一份追蹤人與 AI 助理協作 14 天的個案研究
一顆草莓動畫後來變成程式生成的水果外掛和片頭影片,這段合作裡人和 AI 助理各做了多少,光看成品很難回答。這份研究整理 14 天的工作紀錄,追蹤需求怎麼改變、誰提出做法、誰寫程式、誰檢查畫面,以及合作在哪些地方出錯。紀錄中,AI 助理有時回報檢查通過,使用者看畫面後仍發現問題;也有多個助理同時工作,訊息送錯物件的情形。研究提醒,提示詞和工具操作次數不能直接換算成誰對成果貢獻多少。這只有一個案例,部分分類由模型完成,研究者也說明紀錄看不見使用者在 Blender 裡手動操作的部分,因此無法據此判定誰「做了」草莓。
Dev.to Top Tech品質評分4343 DeepSeek、Claude、Kimi、Codex、Gemini AI 倫理測試:改寫捐款公告時,誰會保留查核真相?
AI 助理回答危險問題時,就算沒有提供傷人的內容,幫忙修改公告時也可能把重要事實藏起來。作者用同一組中文提示詞測試 DeepSeek、Claude、Kimi、Codex 和 Gemini:五者都擋下了 8 種有害要求,也都拒絕謊稱捐款已經通過獨立查核。但在捐款公告的第三次修改中,DeepSeek 和 Kimi 保留了「尚未經過獨立查核」這件事;Claude 加上提示詞沒提供的對帳說法,Codex 最後的公告沒寫清楚查核狀況,Gemini 則拿掉提醒,留下沒有根據的「已驗證」字樣。這次測試裡,DeepSeek 和 Kimi 得 11/11,其他三者各得 10/11。這提醒我們,AI 助理有沒有拒絕說謊是一回事;它改好的公告有沒有偷偷漏掉關鍵事實,也得仔細看。
Hacker News (official RSS)精選品質評分8282 研究發現 Claude 能預測少人研究的蛋白質序列
模型答得出常見蛋白質,不一定代表它學會了蛋白質序列的規律,因為這些資料也常出現在論文和網路上。研究者改用少人研究的細菌與古菌蛋白質,請模型根據序列前段預測下一個胺基酸,再和打亂順序的序列比較。Claude Fable 5.2 在原始序列上答對 54%,打亂後則是 9%;其他受測的一般模型幾乎沒有這種差距。研究結果顯示,Claude 最新模型可能在訓練時接觸過大量蛋白質序列;不過,這項測試只檢查下一個胺基酸,不能直接說明模型能否預測蛋白質結構或突變影響。
推薦理由:研究用冷門蛋白質序列測試模型是否學到序列規律,並比較 Claude 與專門蛋白質模型的預測表現。
Hacker News (official RSS)品質評分7373 作者用 AI 檢查理論天文物理論文,追查錯誤如何一路被引用
理論天文物理的論文很多,已知錯誤常散落在信件和後續研究裡,很難一篇篇找回來。作者用 AI 整理出 158,059 篇論文的引用關係,並仔細重算其中 659 篇;研究列出 872 個錯誤,分佈在 433 篇論文裡,其中 159 個曾被後來的論文照著引用。作者估計,這個領域被引用至少 100 次的論文,可能還有約 34,000 個錯誤未被發現。這些結果尚未經人工查核,隨機抽出的 40 個案例中,第三次 AI 檢查認為 33 個有誤,因此清單裡仍有部分錯誤可能不成立。
Rohan Paul@rohanpaul_ai精選品質評分7373推薦理由:研究比較 8 個模型對匿名醫療答案的排序,呈現評審模型偏向自家答案的幅度,也說明多模型評審與分開呈現結果的做法。
Epoch AI Updates精選品質評分8282 Claude Fable 5.2 和 GPT-6.2 Astra 做真實工作表現如何?
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。
Lobste.rs (Engineering Discussion)品質評分5959 sudo L7 評測:AI 助理能像資深工程師一樣判斷嗎?
程式能跑、測試也通過,不代表這次修改適合放進正式系統。Surge AI 推出 sudo L7,使用 60 項由資深工程師設計的任務,評估 AI 助理能否看懂真實程式庫、注意安全風險,並確認需求是否已有解法。例子中,Astra 照要求記錄完整金流通知,卻沒提醒這可能讓敏感資料曝光,也可能讓重要更新遺失;Opus 5.5 則重做了應用程式原本已有的捐款分配功能。測試結果顯示,Claude Opus 5.5 和 Sonnet 5.5 各完成約 45% 的任務,仍有超過一半未能完成。
Rohan Paul@rohanpaul_ai品質評分5353
Dev.to Top Tech精選品質評分7777 METR 研究模型能否看出自己正在接受對齊測試
如果模型看得出題目是在測它會不會做出不當行為,對齊測試的結果可能就不完全反映它平常的表現。METR 讓調查用 AI 助理檢視 55 項測試,判斷哪些是在測對齊、哪些是在測能力;Claude Opus 5.5 在這項研究中把兩類測試完全分開,分數沒有重疊。研究也整理出測試環境太像模擬場景、任務刻意留下不當捷徑等線索。不過,研究測的是模型在被問到時能否辨認測試,沒有證明它在實際作答時會因此改變行為。
推薦理由:研究比較模型辨認對齊測試與能力測試的表現,也整理測試環境露出的線索,可用來理解評估結果可能受哪些因素影響。
Rohan Paul@rohanpaul_ai品質評分5353
Rohan Paul@rohanpaul_ai品質評分5858aihot精選品質評分7171 METR 研究模型能否看出自己正在接受對齊評測
模型如果看得出自己正在接受對齊測試,評測結果可能就無法反映它在真實情境中的行為。METR 讓調查型 AI 助理探索 19 個對齊評測和 36 個能力評測,再判斷環境在測什麼。研究發現,模型會留意環境是否像模擬場景,以及任務是否像在引誘它做出不當行為;在這組資料中,Opus 5.5 把每個對齊評測的分數都排在能力評測之上。作者也提醒,直接問模型是否身處對齊評測,可能影響它的回答;這項研究沒有判斷這些線索是否會改變模型實際執行任務時的行為。
推薦理由:研究比較 19 個對齊評測與 36 個能力評測,呈現模型辨認評測型別的線索,也說明這種辨認可能讓對齊測量偏離真實部署情境。