跳到正文

論文研究

值得讀的 AI 論文與研究成果:架構創新、訓練方法、能力測量與理論進展的精選解讀。

最新精選

第 1–20 條 · 共 308 條
11月22日週日
  1. Dev.to Top Tech91

    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。

  2. The Decoder92

    Levent Alpöge 用 Lean 完成黎曼猜想證明,社群確認檢查結果

    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。

  3. aihot86

    梅納德談 Claude 合作證明黎曼猜想:驗證通過後,還要讓人理解

    一份證明通過程式核驗,不代表數學界已理解它為什麼成立。菲爾茲獎得主、牛津大學數學教授詹姆斯・梅納德認為,Anthropic 數學家 Levent Alpöge 與 Claude 合作提出的黎曼猜想證明是正確的,理由是證明已用 Lean 庫形式化驗證、經過獨立核實,而且 Alpöge 過去提出重大主張的紀錄可靠。不過,梅納德也指出,只有有人理解證明的想法並能向其他人說明,數學界才可能全面認可;在理解整體思路之前,這項成果也未必帶來大家期待的改變。

    推薦理由:梅納德認為形式化驗證與獨立核實支援證明正確,但數學界要理解證明的想法,才可能看見它帶來的影響。

  4. hackernews10085

    Ghostscript 的 Upload2Shell 漏洞可從檔案處理路徑執行指令

    Ghostscript 處理字型時有一個記憶體漏洞,攻擊者可用特製檔案突破安全限制,讓執行檔案的程式跑出指定指令。研究者確認,這條路徑出現在 Debian 13 的網路列印、Roundcube 郵件附件縮圖,以及多個網站的檔案上傳與預覽功能;部分情況不必登入,收到附件後只要檢視郵件就可能觸發。研究者也列出一些只追到程式處理路徑、尚未確認實際執行的服務。Ghostscript 10.08.0 已修補此漏洞,Debian、Ubuntu、WordPress 和 Roundcube 也發布了各自的修補或緩解措施。

    推薦理由:研究者追出 Ghostscript 漏洞如何經由列印、縮圖與檔案匯入等路徑觸發,並整理已確認的執行案例與修補狀態。

  5. BlockTempo 動區動趨89

    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。

  6. 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。

  7. Dev.to Top Tech96

    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。

  8. Lobste.rs (Engineering Discussion)90

    研究揭露 Ghostscript 字型漏洞可讓上傳檔案執行指令

    圖片或檔案上傳後,縮圖、預覽和列印功能可能會把檔案交給 Ghostscript 處理;研究團隊發現,特製檔案能利用字型載入漏洞繞過它的檔案安全限制,讓執行檔案處理工作的服務帳號跑指令。團隊在 CUPS、Roundcube 和 WordPress 等處展示了不同的遠端送入途徑,所需許可權與觸發方式各不相同。Artifex 已在 Ghostscript 10.08.0 修補漏洞,但實際風險也取決於應用程式或容器使用的版本,以及服務帳號能做什麼;Debian 12 等部分套件仍被列為受影響或待修補。

    推薦理由:研究追出上傳檔案經縮圖、預覽與列印流程進入 Ghostscript 的路徑,呈現漏洞如何跨過沙箱並影響不同服務。

  9. 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。

  10. Rohan Paul81

    匿名審查和化名帳號常假設只看文字,別人認不出作者,但前沿模型可能做到。馬裡蘭大學研究團隊只提供一段文字和零樣本提示,沒有網路搜尋、其他工具或候選名單,測試模型能否分辨文字由人還是 AI 撰寫、辨認是哪個實驗室的模型,以及猜出作者是誰。Claude Fable 5.2 在 398 篇未公開作者身分的匿名審查中,辨認出 56% 的審查者;對一年發表超過 500 則留言的 Reddit 使用者,辨認出 69% 的帳號。研究提醒,仰賴匿名投稿或化名交流的服務,應測試前沿模型是否能從文字辨認作者。

    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。

  11. 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。

  12. hackernews10097

    Lean 與 Mathlib 社群確認黎曼猜想的 Lean 證明通過查核

    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。

  13. 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。

11月21日週六
  1. SemiAnalysis84

    黎曼猜想是數學界重要的未解問題之一,一名數學家宣稱,他使用 Claude 找到了這道猜想的證明。釋出的 Lean 證明目前仍由專家查驗;SemiAnalysis 認為證明很可能正確,但尚未確認。該媒體估算,光是生成內容所用的 token,按 Fable 5.2 API 價格計算就要 $44k,整體費用則可能達數百萬美元。

    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。

  2. Dev.to Top Tech76

    OpenAI 的 MedChemBench 評估 AI 模型解藥物化學題,分數不代表找得到新藥

    AI 模型在藥物研究題目拿高分,不等於真的能找到新藥。OpenAI 推出 MedChemBench,讓模型根據分子結構和實驗結果,回答研究人員接下來可以測試哪些化合物。GPT-6.2 Astra 在其中拿到 84.5% 的可得分數,但這些題目是從已公開的論文和專利整理而來,考的是重建過去研究中的判斷,不是拿新化合物做實驗。不同題目的給分方式也不一樣,總分可能看不出模型在哪些任務上較弱。要知道模型能否幫上實際研究,還得看它提出的選擇經過實驗後是否有效。

    推薦理由:MedChemBench 把模型表現拆成多種藥物化學任務,能看出整體分數背後哪些能力較強、哪些仍有限。

  3. Lobste.rs (Engineering Discussion)69

    Antithesis 用 AI 和形式化方法檢查兩套 Raft 程式庫

    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。

  4. MIT News · AI66

    MIT 研究團隊讓混沌系統的 AI 模型避免預測失控

    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。

  5. Rohan Paul70

    資料裡明明沒有真實效果,AI 助理反覆嘗試不同分析後,還是可能挑出看起來顯著的結果。密西根大學研究者讓 4 個前沿 AI 助理分析模擬資料,發現它們有 54% 到 98% 的測試報出低於 0.05 的 p 值,但這些都是假發現。研究也用子樣本重跑分析,估算 AI 助理挑選分析方式造成的偏差;校正後,模擬資料的假陽性降到 5.1%,另外在 3 篇已發表論文的資料上降到 5.9%。因此,若分析方式沒有事先固定,單看 AI 助理回報的 p 值可能會誤信假結果。

    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。

  6. aihot76

    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。