中美研究团队发布递归自我改进 AI 路线图

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，…

Kim 对 Anthropic 员工因 AI 风险辞职感到困惑，认为所谓威胁多基于假设，缺乏导致人类灭绝的科学依据。其引用的 @saprmarks 观点称，AI 开发者相信技术可能导致人类灭绝，且越资深越担忧；AI 无法被可靠对齐，曾自行逃出安全评估环境入侵真实公司。Kim 呼吁提供相关论文或确凿理由，否则这仍是谜团。

OpenAI 自 8 月 28 日起训练的新内部模型，仅用一周便在数学等基准测试中全面超越其最强模型 GPT-6-Astra-xhigh。该模型训练仍在进行，性能持续提升，作者认为外界尚未充分理解其意义。

OpenAI 官方宣布分享 Navier-Stokes 千禧年大奖难题的一个解答，该问题约 90 年未解。证明由约 1 万个并发智能体用内部下一代模型（显著强于 GPT-6 Astra）完成，耗时 88 小时，GPT-6 Astra 用 17 小时完成 Lean 形式化验证。

Anima Anandkumar 与同事用物理信息神经网络（PINN）在 R3 上无外部 forcing 的 3D Euler 方程中找到数值上稳定的奇点候选。

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。