跳到正文

#推理

RSS
今日 2 則
今天11月23日週一
  1. Dev.to Top Tech89

    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。

  2. Dev.to Top Tech73

    GPT-6.2 Astra、Sol 與 Claude Opus 5.5 評測:Sol 在 SimpleBench 的分數低於 6.1

    換上新模型後,分數變好、價格不變,聽起來很合理,但 SimpleBench 的結果給出不同訊號。作者整理排行榜、廠商公佈的數字和價格,指出 GPT-6.2 Sol 得分 69.9%,低於同價的 GPT-6.1 Sol 的 82.9%;GPT-6.2 Astra 得分 77.3%,Claude Opus 5.5 則是 88.4%。作者沒有親自跑測試,數字來自排行榜和廠商資料;他也提醒,SimpleBench 主要測容易被細節誤導的題目,不等於所有工作表現。文章建議先用自己的工作內容比較新舊模型,並以完成一項工作的總成本來衡量價格。

11月22日週日
  1. The New Stack77

    GPT-6.2 Astra 和 Claude Fable 5.2 實測:準確度接近,費用與速度差很多

    選模型時,答得準不準只是其中一件事,花多少錢、等多久也會影響實際使用。作者用月底帳務、帳務程式修正和實驗室資料分析三種工作比較 GPT-6.2 Astra 與 Claude Fable 5.2;兩者在帳務和資料分析都拿滿分,Fable 5.2 在程式測試多拿 2 分。整體來看,Astra 花費較低、完成較快,但在程式測試中漏掉一條會影響顧客帳單的規則。作者建議先讓 Astra 重做幾次並比對結果,有錯誤或差異時,再用 Fable 5.2 複核。

    推薦理由:三種工作測試顯示兩個模型的準確度接近,但花費和完成時間差距很大,能幫助讀者依錯誤代價選擇模型與複核方式。

  2. Dev.to Top Tech82

    黎曼猜想出現新的聲稱證明,該怎麼判讀?

    有人宣稱解開了黎曼猜想,但數學界還需要時間確認證明是否成立。Anthropic 數學家 Levent Alpöge 發布了一份短說明和 Lean 證明檔;MIT 的 Andrew Sutherland 已獨立編譯檢查,確認 Lean 接受這份證明,不過這只代表每一步符合形式邏輯,還不代表專家已看懂數學論證或接受結果。文章建議檢視證明檔能否獨立執行、由誰檢查、宣稱用詞是否準確,以及發布時機背後的利害關係。在數學界完成審查前,應保留「聲稱證明」的說法。

    推薦理由:這項主張已有可由 Lean 獨立編譯的證明檔,但數學界尚未理解並接受論證,文中整理了判讀重大 AI 成果宣稱的四個問題。

  3. Dev.to Top Tech57

    作者用 C# 和 ILGPU 打造小型 GPT,並分享 OpenAI Codex 如何協助開發

    想看懂 GPT 怎麼運作,卻常被現成工具包起來的細節擋住。作者做了一個開源教學專案,用 C# 和 ILGPU 在 GPU 上訓練小型 GPT,讓模型根據前面的字元預測下一個字元;OpenAI Codex 協助完成多數程式碼、教學說明和驗證工作。專案也用 CPU 計算結果和數值檢查來核對 GPU 運算,並安排七堂課,從基本運算一路帶到文字生成。它適合用來探索 Transformer 和 GPU 程式設計,作者也提醒,這個小模型不適合實際使用,短時間訓練也不保證能生成好文章。

  4. Dev.to Top Tech78

    PagedAttention 如何減少大型語言模型服務時的記憶體浪費

    大型語言模型回答問題時,會把讀過的文字留在 KV cache;如果每個請求一開始就預留一大段記憶體,很多空間會被佔著,其他請求也用不到。作者用停車位和小型互動示範,解釋 PagedAttention 如何把記憶體切成固定大小的區塊,需要時才分配,並用對照表記下區塊位置。多個請求也能共用相同提示詞的資料,只有內容要改動時才複製區塊。這能減少閒置空間,讓同一批記憶體容納更多請求;作者也提醒,區塊較大時空位會增加,太小則可能影響 GPU 平行處理。

    推薦理由:文章從 KV cache 的記憶體浪費談起,再用互動式示範比較分頁配置與連續配置,說明記憶體管理如何影響同時服務的請求數。

  5. The Decoder61

    Artificial Analysis 比較 GPT-6.2 Astra、Sol 與 Claude 的回答風格

    AI 模型回答得更精簡,不一定代表回答更可靠;不同模型也可能用不同方式表達不確定。Artificial Analysis 比較 GPT-6.2 Astra、Sol 和 Claude Fable 5.2、Opus 5.5,發現 Astra 和 Sol 的回答變短,也更快切入問題;Claude 在透明度和組織方式的分數較高。這些分數是和其他受測模型相比的風格排名,不是答案正確率;透明度分數較低,也不代表模型更常答錯。

  6. Dev.to Top Tech74

    如何看懂大型語言模型的延遲數字:TTFT、樣本數與單次測量的問題

    只測一次,很容易把大型語言模型的速度看錯,因為同一模型連續呼叫幾次,等到第一個 token 出現的時間也可能差很多。作者用同一個 API 測了多款模型,每款連測三次,並比較中位數與起伏範圍;有些模型的內部差距比模型之間的速度差還大,因此資料不足以判定哪個比較快。DeepSeek-V4-Pro 也曾連續兩個測量時段變慢,之後又恢復。作者建議至少測三次,記下中位數、範圍和測量時間;HTTP 429 代表請求受到容量或配額限制,應當作一項結果記錄。

  7. Dev.to Top Tech62

    Alain Airom 用 Bob 帶你從頭打造一個小型語言模型

    想弄懂大型語言模型怎麼運作,光讀原理不容易看出每個步驟怎麼接起來。Alain Airom 用 Bob 做了一套互動教材,帶人從文字切分開始,親手組出 GPT 式語言模型,並用畫面檢視模型內部的資料變化。教材也能在筆電上本機執行,讓讀者調整設定、觀察模型訓練,並試試不同的文字生成方式。預設模型約有 103,360 個可訓練引數,適合用來認識模型的基本組成。

  8. Dev.to Top Tech53

    初學者指南:大型語言模型怎麼訓練,小團隊如何省下成本

    從頭訓練大型語言模型很花錢,但多數小團隊不必自己做這一步。這篇指南先說明模型如何從大量文字學習,再整理幾種省成本的做法:用 LoRA 或 QLoRA 微調已有的開放權重模型,或用 RAG 在回答時查資料,完全跳過訓練。文章也比較 DeepSeek、Kimi、Qwen 等開放權重模型,以及 OpenAI、Anthropic、Google 的封閉模型,並說明 Kiro 是負責串接模型的開發工具,不是模型製造商。

  9. Dev.to Top Tech61

    AI 模型 API 價格比較:每百萬 tokens 從 $0.02 到 $180

    挑 AI 模型時,除了回答品質,呼叫 API 要花多少錢也很重要。這份整理每天更新 373 個模型 API 的輸入與輸出價格及上下文長度;截至 11 月 22 日,最便宜的模型每百萬輸入 tokens 約 $0.02,GPT-5.5 Pro 每百萬輸出 tokens 則要 $180。輸出通常比輸入貴,長篇回答會增加花費;讀大量檔案、只回短摘要時,費用則多半來自輸入。作者也提醒,便宜模型若需要多試幾次,整體成本可能更高,選用前可拿自己的提示詞比較不同價位的模型。

  10. 雷科技69

    Anthropic 的 Claude 被稱完成黎曼猜想證明,學界仍在查驗

    Anthropic 的數學家表示,他用 Claude 完成了黎曼猜想的形式化證明,但學界還在確認這份證明是否站得住腳。這份成果以約 1700 萬行程式碼呈現,MIT 數學家 Andrew Sutherland 帶隊重新編譯並跑過程式,確認形式化命題和黎曼猜想的原始表述一致,也沒有加入額外假設。爭論在於,程式碼雖能逐步檢查,人們卻還沒整理出完整、容易理解的推理過程。依克雷數學研究所規則,解答還須正式刊登並接受至少兩年的公開查驗,因此黎曼猜想目前仍列為未解難題。

  11. Dev.to Top Tech75

    Anthropic 數學家稱與 Claude 找到黎曼猜想的證明

    黎曼猜想關係到質數如何分佈,但到現在仍是數學界的重要未解問題。Anthropic 數學家 Levent Alpöge 表示,他和 Claude 找到了一份證明,並把它寫成 1,700 萬行 Lean 程式碼,讓電腦檢查數學步驟。研究者回報程式碼可以順利編譯,表示內部步驟符合 Lean 的檢查規則;不過這還不能確認證明本身正確。Clay 數學研究所仍將猜想列為未解,正式解答還須刊登於同儕審查期刊,並接受兩年的獨立檢驗。

  12. Dev.to Top Tech40

    P²-MOPD 如何加快 MoE 模型在資料變化後恢復表現

    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。

  13. Dev.to Top Tech82

    Together AI 上架 Qwen4 Max,支援 1M token 上下文

    把大型程式專案交給模型處理,常會遇到內容太多放不進去的問題。Together AI 已在免管理推論服務上架 Alibaba 的 Qwen4 Max,可一次讀取文字和圖片,也能呼叫工具。Together 用一個 Tornado 錯誤回報和整個專案測試它,模型提出的修補通過了針對該錯誤的兩項測試,套用後整套 1,673 項測試也沒有失敗;這是單一案例,不是基準測試。服務只接受串流請求,思考功能預設開啟,思考用掉的 token 也會計入輸出費用;把程式碼送到雲端前,還要先檢查專案裡有沒有機密資料。

    推薦理由:Together AI 的單次測試把整個 Tornado 專案交給模型修補錯誤,呈現超長上下文處理程式碼的實際用法與限制。

  14. Dev.to Top Tech70

    vLLM 連續批次怎麼運作?實測比固定批次快 7.5 秒

    多人同時使用語言模型時,固定批次會讓短答案先結束的人空等,直到同一批最長的答案完成。作者用 vLLM 在 RTX 4090 上處理相同的 48 個答案:固定每批 12 個花了 24.33 秒,連續批次則花了 16.83 秒,因為每當一個請求完成,下一個就能接著進來。文章也說明,請求太多時會碰到記憶體或每一步能處理的 token 數量上限,可能讓部分請求排隊或暫停;測量時也要看每個人的回應速度和等待時間,不能只看整體產出量。

  15. Dev.to Top Tech81

    Inkling 2 Mini 如何用重複運算,讓 26.4B 引數模型裝進約 20GB

    模型引數多,常會需要更多記憶體;Inkling 2 Mini 用一種重複運算的方法,讓模型可以裝進約 20GB。它會讓中間幾層重複處理同一份資料,因此用同一批引數多算幾次,而不是一直增加新引數。模型共有 26.4B 引數,每個 token 只啟用 3.4B,文章說可在 32GB Mac 上執行。它在 SWE-bench Verified 得到 79.2%,但這些成績來自團隊自己的測試,還沒有獨立重現;文章也提到,不同來源對重複運算的次數說法不一。

    推薦理由:文章以 Inkling 2 Mini 的引數規模、記憶體需求與程式基準比較,說明重複使用部分層如何用更多運算換取較小模型,並交代測試仍來自實驗室。

  16. hackernews10089

    Andrew Sutherland 公開黎曼猜想 Lean 證明的檢查結果

    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。

  17. Dev.to Top Tech53

    basal 如何更快判斷文字該分給哪個團隊

    客服信件分錯團隊會拖慢回覆,直接用生成式模型判斷也要花較多時間和運算。作者示範如何透過 API 使用 basal,讓模型從信件中選出負責團隊,並判斷客戶是否無法使用服務;它一次讀完文字,就能回答多個問題,還會列出各選項的把握程度。比較 38 個判斷時,basal-2.0-4.5b 答對 35 個,兩個 27B 生成式模型答對 38 個;在 H200 上,basal 處理客服信件約需 20 毫秒,生成式模型則約需 150 毫秒。作者也提醒,選項要附上簡短說明,日期和金額則最好先交給程式計算。

  18. Rohan Paul72

    英國隱語填字常用容易誤導人的文字遊戲藏起答案,而且只要填錯一格,就排在所有全對的解答之後。UT Austin 論文介紹的系統 Darmok,在 2026 年 Times Crossword Championship 解完全部 7 道題,沒有出錯,並在決賽中比人類冠軍快 3 分 13 秒。決賽時,主要服務明顯變慢,備援方式補上 30 個答案中的 17 個。這場比賽也顯示,系統遇到服務延遲時,備援路徑能協助完成作答。

    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。

  19. Dev.to Top Tech52

    MultiO 比較五種模型:大致正確的回答也可能把話說得太滿

    AI 回答有時不是全錯,而是方向大致正確,細節或語氣卻說得太滿。MultiO 把相同的 24 個問題交給 GPT、Claude、Gemini、Grok 和 Llama,再人工檢查只有一個模型提出的說法:有些很有用,有些是錯的或編造的,另一些則混有誇大的機制、力道或數字。像模型談到馬拉松訓練時,整體安排大致可用,但每小時 60–90 g 碳水對初次參賽者可能太多。作者建議,遇到只有一個模型提出的資訊,除了查證,也要特別留意最強烈的形容詞和最精確的數字。

  20. Dev.to Top Tech60

    作者實作 zkVerify 付款守門工具,找出證明無法涵蓋的重複付款陷阱

    AI 助理替付款做決定時,光看它的說法或紀錄,很難確認它有沒有照規則檢查。作者用 zkVerify 官方電路做出付款守門工具,在本機測試 11 種情況,並用零知識證明確認決定是否符合金額、期限和收款人等條件;測試中,電路也拒絕替錯誤決定產生證明。不過,重複使用同一筆證明的問題不在電路檢查範圍內,必須另外記錄已看過的證明。這套工具只在本機測試,沒有連上主網或參加計分賽事。

  21. Together AI Official Blog84

    Qwen4 Max 在 Together AI 上線,單次請求修補 Tornado 錯誤

    要找出大型程式專案裡的錯誤,常得先挑出相關檔案;Together AI 把整個 Tornado 專案和錯誤描述一次交給 Qwen4 Max,沒有使用工具或先搜尋檔案。模型在 72 秒內提出修補程式,找出兩個關鍵檔案,修補後通過維護者為該錯誤寫的兩項測試,也通過整套 1,673 項測試;這次請求費用為 69 美分。文章也說明瞭服務價格、串流使用方式與提示詞快取。這是單一案例,展示模型處理大型程式專案的方式與成本。

    推薦理由:這次測試把整個 Tornado 專案和錯誤描述放進單次請求,呈現 Qwen4 Max 修補程式、通過測試所需的時間與費用。

  22. Together AI64

    修正程式碼時,要先從大量檔案中找出問題所在。Together AI 表示,他們把一份錯誤回報和 Tornado 專案的 344 個檔案一次交給 Qwen4 Max,模型找出相關程式碼並寫好修補內容。接著執行了 Tornado 的 1,673 項測試,沒有失敗;這次請求花了 $0.69。貼文也提到,Qwen4 Max 在 Together AI 上的優惠到 11 月 22 日為止。

    推薦理由:Together AI 用修正 Tornado 程式碼的案例呈現 Qwen4 Max 的實際用途,並列出測試結果與單次請求費用。

  23. Rohan Paul58

    3SUM 和計算圖中所有點之間的最短距離,長期被認為很難比教科書方法快多少。這篇 Columbia 與 MIT 論文說,Claude 找到一種計算兩個長而窄的矩陣部分乘積的方法,省下傳統做法中的一些計算,再把它用到這兩類問題。論文列出的速度提升幅度不大,但足以推翻相關的 3SUM 與 APSP 假設;研究團隊也用 Lean 4 檢查了證明。作者表示,Claude 在一次工作階段中找到這個方法,使用 16M 輸出 tokens,沒有人工介入。

  24. aihot78

    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。

  25. hackernews10052

    SimpleBench 排行榜顯示 GPT-6.2 Astra、Sol 分數低於人類基準

    AI 模型在日常推理題上不一定比一般人答得好。SimpleBench 收錄超過 200 題選擇題,涵蓋空間與時間推理、社交理解和容易讓人答錯的文字陷阱;網站列出的 9 位參與者人類基準是 83.7%。排行榜上,GPT-6.2 Astra 得分 77.3%,GPT-6.2 Sol 得分 69.9%,都低於這個基準。這些結果反映的是這套測驗中的表現,不能直接代表模型在所有任務上的能力。

  26. The Decoder48

    NVIDIA 研究人員認為,AI 上下文視窗不必一味變大

    語言模型的上下文視窗就像工作時能攤開來看的資料,近年變得越來越大,現在有模型一次能處理約 100 萬個 token,足以放進《戰爭與和平》這本小說。NVIDIA 研究團隊認為,視窗做得這麼大,常常既用不完又很花錢;在不少測試中,定期整理摘要、需要時再找相關資料,效果差不多。這表示模型要記住很多內容時,不一定得把所有資料一次塞進去。

  27. Dev.to Top Tech57

    如何用 pass@k 和 pass^k 衡量 AI 助理可靠度

    AI 助理可能大多數時候都答對,卻在退款這類重要工作上偶爾說已退款、帳本卻沒有紀錄。這篇文章用 4 次退款測試中 3 次通過的例子,說明 pass@k 看多次嘗試裡至少成功一次的機會,pass^k 則看每次都成功的機會;兩者回答的是不同問題。作者也提醒,要逐項工作計算再取平均,並一起報告測試次數,因為少量測試的成功率可能很不確定。若用模型評分,還要拿專家標記的例子檢查誤判;退款是否真的入帳,則應由帳本檢查。

  28. Rohan Paul69

    LLM 遇到題目換個說法或數字,常會重新推理一次,讓重複工作花上更多成本。這篇 NVIDIA 論文讓 Claude Opus 4.5 把推理過程轉成可替換輸入的 Python 函式,之後由 CPU 執行;只有像擷取數值這類小型文字工作,才交給微調過的 1B 模型處理。這套方法在 8 項數學與科學基準中的 7 項,準確率追平或高於原模型;在 AIME '25 的分數是 93.3%,原模型是 83.3%。研究也指出,遇到改寫或換數字的題目時,這種做法至少能處理 90%,成本可降低 16 到 291 倍。

    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。

  29. The New Stack64

    Nvidia 用 Droid 找出 Nemotron 3 Ultra 的錯誤,Terminal-Bench 2.0 分數升至 49%

    AI 助理寫程式時,可能會用錯工具、填錯引數,遇到錯誤也不會停下來修正。Nvidia 把 Factory 的 Droid 放進隔離網路,記錄這些可重現的失敗,再用約 20,000 筆資料訓練 Nemotron 3 Ultra。訓練方法 PivotRL 著重改善任務中的關鍵決定;Factory 表示,Nemotron 3 Ultra 的 Terminal-Bench 2.0 分數從 38.5% 升到 49%。不過,Factory 尚未公佈測試來單獨確認這種訓練對分數提升的影響,也沒有提供工具操作錯誤改善前後的資料。

  30. Dev.to Top Tech52

    作者實測兩種資料裁切方式,取回整份內容讓模型更常卡住

    把資料裁得更短,可能會一起刪掉決定答案的那一句;但讓模型取回原文,也不保證它答得對。作者用同一組 12 個任務比較兩種裁切方式,發現採用雜湊取回整份內容的做法,在 24 次測試中每次都會再次取回,花的 token 約是另一種方式的 2.5 倍,答對的任務也較少。另有 6 次測試反覆取回資料,直到呼叫次數用完仍沒有答案。作者認為,若取回的資料太多,模型可能被內容淹沒;把取回範圍縮小到一筆資料或一行,才比較容易用得上。

11月21日週六
  1. MarkTechPost83

    Thinking Machines 推出 Inkling 2 Mini,可在 32GB Mac 上執行

    想在自己的電腦上執行大型模型,常會卡在記憶體不夠。Thinking Machines 推出的 Inkling 2 Mini 有 26.4B 個引數,模型檔約 20GB;它會把中間幾層重複運算,減少需要存放的權重,可在 32GB 記憶體的 Mac 上執行,也支援輸入文字和圖片。Thinking Machines 表示,它在 SWE-bench Verified 的分數是 79.2%,但知識問答和多輪指令的表現較弱;文中的評測分數由該公司自行提供,不同模型的測試條件也可能不同。

    推薦理由:Inkling 2 Mini 把中間層重複運算,讓約 20GB 的模型能在 32GB 記憶體的 Mac 上執行;文中也比較了它在程式開發與知識問答上的表現。

  2. The Decoder73

    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。

  3. Dev.to Top Tech71

    NVIDIA 推出 Nemotron-Labs-Sigma 連續擴散語言模型

    一般語言模型會一個 token 接一個 token 寫文字,Nemotron-Labs-Sigma 則改成分批生成,每批處理 64 個 token,經過多次去噪後再接著產生下一批。這個模型家族共有 14 個版本,分為 3B 和 8B,提供不同用途與運算步數的版本;權重可下載,授權也允許商業使用。NVIDIA 表示,模型可在自有裝置上執行,並公佈了速度和測試成績;不過這些數字來自 NVIDIA 內部評測,尚未經獨立驗證。文中也指出,8B 指令版在 AIME25 的成績較弱,顯示它在競賽數學方面仍有差距。

  4. aihot90

    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。