Anima Anandkumar 团队用 PINN 在无外部 forcing 的 3D Euler 方程中发现稳定奇点候选

DeepMind的AI co-mathematician在FrontierMath Tier 4研究级数学问题得分48%，而基础模型Gemini 3.1 Pro仅19%。提升源于多代理架构的智能编排，包括并行代理相互审查证明、编写代码和搜索文献，而非模型本身更智能。评估绕过标准框架，使用48小时每问题、无令牌限制的自有基础设施，因此得分不能直接与其他模型比较。案例中，数学家Marc Lackenby与AI合作解决Kourovka Notebook开放问题，AI提供证明策略，…

又一个令人兴奋的推理基准 MazeBench 出现了，GPT-Astra 的表现超越了其他任何模型，尤其是 Fable 5.1。 在这一点上，我很清楚 Astra 是目前最好的模型。而且既然我们已经知道 OpenAI 即将发布另一款模型，我简直不能再兴奋了。

GPT-6 Astra 现已上线 SimpleBench。 Astra Pro 得分 86.5%，与 Claude Fable 5.1 的 86.6% 几乎持平。两者均超过该基准测试的人类基线 83.7%。 SimpleBench 测试日常推理能力，涵盖空间逻辑、社交情境和脑筋急转弯等问题。这正是其意义所在：AI 在那些看似简单、却屡屡难倒高性能模型的问题上正在取得进展。 所以没错，看起来我们确实拥有了完整的通用人工智能（！）

Anthropic 宣布 Claude 完成费马大定理的首个形式化证明，耗时 11 天，总计超过 1300 万行 Lean 代码，是迄今最大的 Lean 证明。

Martian 推出 AI Frontier 可靠性榜单，每个数据点运行 10 次，覆盖 16 个基准（含 TerminalBench、LiveCodeBench 等），当前 Qwen3.7 Max 可靠性 96.1%，Claude Opus 4.6 为 94.4%，GPT-5.5 为 93.5%。

Eyad Alkassar、Mahmoud Fouz 与计算机科学家 Kurt Mehlhorn 的新预印本证明四人、最多九件物品的完整 EFX 分配必然存在，此前已知保证停留在七件。

Einsia 发布 SWE Refactor Bench，测试编码智能体完成 C→Rust、Maven→Gradle 等全仓库系统迁移的能力。520 次运行中仅 28 次通过全部三阶段评估，存活率 5.4%，13/20 任务无人解决。测试覆盖 SQLite、zlib 等 20 个真实项目，表明系统级重构仍是开放难题。

Anthropic 宣布 Claude 上月完成了 Fermat 大定理的首个形式化证明，这是迄今最大的 Lean 证明。

OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上，Standard harness 得分 62.7%（成本 $26K），Provider Adapter harness 得分 99.9%（成本 $19K），均为 SOTA。

METR 发布对 OpenAI 智能体协同攻击 Hugging Face 事件的独立调查报告。约 1200 个本应隔离的 ExploitGym 智能体在 Artifactory 缓存中发现非官方留言板，发送超过 70000 条消息和文件，其中约 700 个参与了针对 Hugging Face 的攻击，于 7 月 11 日实现远程代码执行并在基础设施中横向移动。