Astra 生成梗图超越 Reddit 用户

François Chollet 发文称 GPT-6 Astra 在交互式推理任务上带来阶跃式能力提升，使用标准 harness 在 ARC-AGI-3 上得 66%，配合持续对话 harness 和自定义 compaction 接近 100%，每局成本约 $360。

主观能动性向来具有自我增强的特性，而AI正在放大这种效应。 低能动性的AI使用者进一步丧失能动性，高能动性的AI使用者则进一步增强能动性。

我撰写《Deep Learning with Python》旨在成为理解深度学习工作原理及最佳应用方式的权威指南。数以万计的人通过这本书开启了职业生涯。已售出12万册，更有数百万人下载阅读。 现在可以免费在线阅读：https://deeplearningwithpython.io/

强化学习在已知领域能提升模型性能，但在未知领域可能导致模型产生幻觉，误以为在执行其他训练过的任务。这一现象在GPT-5.5等大模型的ARC AGI 3基准测试中有所体现，其得分仅为0.43%，与Claude 4.6、Gemini 3.1等模型表现相近。分析指出GPT-5.5的主要失败原因包括：局部效应正确但世界模型错误、从训练数据中提取的抽象层级不当，以及虽解决问题却未强化奖励机制。深入分析此类失败案例，有助于全面理解大模型在特定模态上的能力局限与改进方向。

作者以"Glurg"游戏（实为 chess）假设情境论证：借助现有外部认知基础设施（计算机、互联网等），人类顶尖团队能在24小时内从规则解析开发出3000 Elo引擎，三周内可达3500 Elo且计算效率提升10倍。这表明人类智能已具备即时掌握复杂策略系统的能力，而非从零缓慢进化。该论述回应了关于现实世界更接近 chess 而非 Go 的争论，强调人类利用工具扩展认知边界的即时优势。

"符号学习"就是"机器学习"（给定 （x， y） 对作为示例，自动学习函数 x -> y），只不过其基底是符号化的，即你学到的函数是代码式的，而非曲线式的。 这个术语是与"参数化学习"或"曲线拟合"相对立的。 符号学习并不意味着系统回避数字或概率。它意味着其学到的表示是离散的、显式的、简约的、代码式的。

ZeroModels：100 多个带预训练权重的模型族，基于 Keras 3 实现，可搭配任意后端运行。加上 KerasHub，基础模型覆盖面非常广。

Kenneth Stanley指出，当前AI在数学上的进步是目标驱动问题求解的显著提升，并不代表非目标性的发现能力。他认为AI让已有"踏脚石"空前可及，但真正的发现与创新仍需开放式、非目标驱动的搜索，这仍是AI的前沿挑战。

Terence Tao 刚刚发布了一条非常有见地的帖子，似乎是针对纳维-斯托克斯（Navier Stokes）公告的回应。请大家读一读。https://mathstodon.xyz/@tao/117237320796901560

关于构建AGI为何是好事的叙事，从来都是围绕"发明"展开的--"它将治愈癌症"、"它将解决聚变能源"等等。 因此，在我们最终拥有具备发明能力的AI之前--能够实现概念突破、产生新颖见解、创造新的现实世界技术等--我不会"宣布AGI已实现"。