OpenAI 向所有 ChatGPT 用户推出 GPT-6 与 Intelligent UI

OpenAI 于 10 月 7 日宣布面向每周超过 12 亿 ChatGPT 用户推出 GPT-6，并在 Chat 中引入 Intelligent UI，可生成图形、按钮、表单、图表和交互式体验。

Rekursiv 报告 15M tabula rasa RL 智能体以 44% 胜率通关 Craftax

Rekursiv 的 15M 参数 tabula rasa 强化学习网络在 Craftax 中以 44% 胜率击败最终 Boss，对比 GPT-6 Astra 的 1/75 胜率，单局约 10 秒且成本低于 1 美分。

黄仁勋称英伟达因 Windows 而诞生，将深化与 Windows 生态的 AI 合作

黄仁勋在旧金山发布会上表示，英伟达因 Windows 而诞生，Windows 95 让 GPU 接入 PC 成为可能，DirectX 也构成 CUDA 的起源背景。他提出 AI 计算将从大型数据中心走向开发者与企业桌面，英伟达计划把高性能 GPU、统一内存和 AI 软件栈带入 Windows 设备。

Artifact Arena：以创造衡量智能

Artifact Arena 是一个开放式评测平台，要求前沿语言模型设计完整机器人，包括躯体、控制器与竞技策略，并在物理模拟器中通过 Last Bot Standing Game 对战排名。平台评测软硬件协同设计、3D 物理推理与世界建模、3D 设计与编程、竞技策略四项能力，并开放社区提交作品。

在11台Intel AI PC上运行Inkling（975B）

Cascadia在11台Intel Core Ultra X7 358H AI PC上常驻运行总参数975B、活跃参数41B的MoE模型Inkling，自研引擎将dense层调用时间从约8.1ms降至4.5ms。系统在88路并发下达到60.29 tokens/s聚合解码速度，完整服务阶段为46.87 tokens/s，15路并发时首token延迟中位数6.05秒，单流内存可支持512k位置上下文。

Liquid AI 发布面向边缘设备的开放 d1 决策模型 d1-3B 与 d1-omni-600M

Liquid AI 发布 d1 决策模型家族中的两款开放权重模型 d1-3B 和实验性 d1-omni-600M，均已上线 Hugging Face。

arXiv 论文称 OpenAI 纳维-斯托克斯证明的 Lean 形式化与自然语言证明不对应

一篇 arXiv 论文指出，AI 将自然语言数学文本自动形式化为 Lean 后通过机械验证，并不必然证明原自然语言论证可靠。论文称消解数学自然语言歧义在 Solvability Complexity Index 层级中 SCI=∞，并给出多个 AI 误译案例；作者还表示 OpenAI 公布的纳维-斯托克斯方程解爆破证明中，Lean 证明与自然语言证明不对应。

AWS 指南：如何为智能体自动化构建商业论证

AWS 提出 Agentic Value Model，用时间节省、异常处理、决策质量、变更韧性四类价值池评估智能体自动化，并要求每项收益有实现机制和负责人。文章以年处理 200,000 件理赔的流程演示核算方法，强调释放工时只有转化为降本或可衡量的再部署产出才进入 P&L；同时用任务复杂度和决策风险矩阵区分 RPA、产能提升、人工参与决策和护栏强化四类场景。

OpenAI 逼近 Unique Games 证明，三位研究者抢在机器前发布里程碑结果

OpenAI 于 10 月 6 日宣布证明 unique games conjecture，并同时发布 376 项数学成果；MIT 的 Dor Minzer 与学生 Yumou Fei、Shuo Wang 因相关传闻在 9 月抢先发布 95 页论文，证明 Khot 的 2-to-1 games 猜想的 4-to-1 变体。

Show HN：Ypipe Manifold Engine 用 800M AI harness 挑战 7B 模型（视频）

Ypipe 展示下一代 Manifold Engine 首批测试，通过智能 harness、专门训练等方法，让调优后的 Qwen 800M 在搭载 AMD Ryzen 的 HP EliteBook 845 上本地运行，目标是击败更大的 7B LLM。演示涵盖快速工具调用、链式工具调用、可解释推理、医疗病例分类和即时指令适配等场景。该引擎仍处早期阶段，正收集商业用户反馈。

AI 辅助完成 11 个正方形最优装填的形式化证明

一个 AI 辅助项目在 Lean 中完成了 11 个正方形最优装填的完整最优性证明，并通过原生数值证书验证。EvolvingPrograms 验证运行接受全部 7,920 个本地 Lean 模块，最终审计零准入，最优边长构造约为 3.8770835900228141773。项目固定使用 Lean 4.34.1 与指定 Mathlib 修订版，证明信任 Lean 内核与原生编译器。

本周 AI 论文精选：MCP 工具与 Code AutoCompact 长程编码智能体研究

本周 AI 论文精选介绍 Code AutoCompact，训练编码智能体自主决定何时压缩上下文、保留何种工作状态及如何继续任务。该方法在 SWE-bench Verified 上通过率提升 9.2 分，在 SWE-PolyBench Verified 上提升 5.0 分，效果在 256K 与 16K 上下文窗口下均成立。

Nemotron 经微调在 IOI 2026 与 IMO 2026 达到金牌水平

NVIDIA 与 Hugging Face 团队基于 Nemotron 3，通过 SFT、RL 和反馈驱动推理构建专精系统，在 IOI 2026 取得 535.4/600，在 IMO 2026 取得 30/42，均超过金牌线。

Jev 如何促使作者重新思考 AI Ops Engineering

作者受 Jev 启发，重新界定 AI Ops Engineering，主张不要让 Claude、GPT 等 LLM 承担分类、路由、风险检测等全部决策，而应按任务拆分智能层级。其设想架构为数据进入决策模型，再走确定性工作流，仅在需要时调用 LLM 或人工，以兼顾规模场景下的延迟、成本、可观测性与可靠性。

OpenAI 在 GitHub 发布 372 个 AI 生成数学证明

OpenAI 在 GitHub 发布由内部前沿模型生成的 372 个新数学结果，每个结果旨在解决开放问题或取得实质进展，内容涉及重要计算机算法改进和 Riemann hypothesis 相关推进。

Perplexity 发布基于 Qwen3.8-27B 微调的决策模型 pplx-decider-v1-27b

Perplexity 在 Hugging Face 发布 pplx-decider-v1-27b，这是基于 Qwen3.8-27B 微调的决策模型，11 项基准总体准确率为 85.71%。模型结果通过 Perplexity API 测量，支持文本 choice、yes/no 概率判断，并可传入图片。本地运行需要 Python 3.12+、CUDA GPU，以及约 49 GiB 权重空间和工作内存。

Jake Boggan 谈 Barnette 猜想据称已被证明：24 年研究后的复杂心情

Jake Boggan 在 Hacker News 关于 openai/math 的评论中表示，Barnette 猜想据称已在 problem 180 中得到证明。他曾断断续续投入 24 年、数千小时研究该问题，去年夏天还一度以为自己解出了它。得知消息后他感到一种遥远的悲伤，并称今晚可能有很多人心绪复杂。

AINews：OpenAI 发布 722 篇数学论文，称解决 500 个顶级未解数学问题中的 90 个

OpenAI 公开未发布内部前沿模型产出的 722 篇数学论文，涵盖 372 组结果，平均每项使用约 3 小时 ChatGPT Pro 推理算力，模型本身仍未发布。

256 GB M5 Ultra Mac Studio 本地多模型推理实测：四槽位承担真实工作

作者在 256 GB 统一内存的 Apple M5 Ultra Mac Studio 上配置 big、small text、small vision、decision 四个模型槽位，并用 Work 与 Smart 两套 profile 管理内存。

Rohan Paul@rohanpaul_aiAI 评分6060

Geoffrey Hinton、Yoshua Bengio 等 20 多位专家在 arXiv 政策论文中呼吁政府追踪有多少 AI 研究已由 AI 完成，并评估 AI 自动化研发触发智能爆炸的风险。

Rohan Paul@rohanpaul_aiAI 评分6969

OpenAI 发布 722 篇 AI 生成的数学证明手稿，覆盖 372 个数学结果。其内部模型在测试中处理约 4K 个研究问题，再经分组和筛选形成结果族，几乎所有结果都来自同一标准设置，每个结果平均使用相当于 3 小时 ChatGPT Pro 思考的算力。其中一篇论文将两个 n×n 矩阵乘法的已证明复杂度从 AlphaEvolve 在 8 月创下的约 n^2.371177 降至约 n^2.25，并提供 Lean 形式化证明；这是理论界，尚不能直接为真实 GPU 工作负载带来更快例程。

François Chollet@fcholletAI 评分4242

François Chollet 提出，AI 的锯齿状前沿可能主要集中在可用 RLVR 无限推进的数学与代码领域，其他能力则因受限于人类生成数据而开始平台化。非可验证领域的模型表现仍在缓慢提升，其动力究竟是 RLVR 带来的更高 G，还是大规模新增人类数据，尚待解答，而这一问题影响深远。

Rohan Paul@rohanpaul_aiAI 评分6868

OpenAI 发布由内部前沿模型产生的一系列新数学成果，完整论文目录包含 722 篇手稿，组织为 372 个重要结果族。该目录来自测试中向模型提供约 4K 个研究问题，再对输出分组和筛选；几乎所有结果都使用相同标准设置，每个结果平均消耗相当于 3 小时 ChatGPT Pro 思考的算力。OpenAI 表示发布过程咨询了 Institute for Advanced Study 的独立数学与人工智能咨询小组，仓库地址为 https://github.com/openai/math。

OpenAI 发布 722 份手稿，披露未发布前沿模型的数百项数学研究成果

OpenAI 在包含 722 份手稿、涵盖 372 个结果家族的文件中，公布某款未发布前沿模型对数百个长期未解数学问题的解答。资料还包含模型推理过程摘要、算力消耗估算和尝试问题数量，OpenAI 称一项普通成果的算力约等于 ChatGPT Pro 连续思考三小时。

OpenAI 发布 722 份数学手稿，称未发布前沿模型解决数百个开放问题

OpenAI 在 GitHub 发布 722 份数学手稿，覆盖 372 个结果族，称其中包含由未发布前沿模型解决的数百个长期开放数学问题。材料还包含模型推理摘要、算力估算和尝试问题数量，OpenAI 称平均每项结果相当于 ChatGPT Pro 思考 3 小时。

Jump Trading 如何借助 ChatGPT 扩展量化研究

Jump Trading 使用 GPT‑6 Astra 处理更长期、更模糊的量化研究问题，将日常编码到高级量化研究等工作流交给 AI 智能体。该公司 LLM 研发负责人称，GPT‑6 Astra 提升了长周期任务的自主性，但关键输出仍需人工审核，以适应金融监管要求。

🚨 AI News | TestingCatalog@testingcatalogAI 评分6363

OpenAI 发布 GitHub 仓库，公开由其未发布内部前沿模型产出的一系列新数学结果，仓库地址为 https://github.com/openai/math。OpenAI 称发布前咨询了 Institute for Advanced Study 的独立数学与人工智能咨询小组。绝大多数结果通过同一流程获得，平均每项结果使用 3 小时 ChatGPT Pro 思考算力，评测中模型共被提出约 4,000 个问题。

OpenAI 公开内部前沿模型产出的多项数学研究成果

OpenAI 发布由内部前沿模型产出的一系列新数学成果，并在 GitHub 仓库中公开论文、修订与引用协议。仓库包含多项证明的 Lean 形式化、10 份模型推理摘要、ChatGPT Pro 用量估算和尝试题目数量统计，平均每项成果约消耗相当于 3 小时 ChatGPT Pro 思考的算力。

llm-mistral 0.16 发布

Simon Willison 于 2026 年 10 月 6 日发布 llm-mistral 0.16。该条目关联标签包括 llm、mistral 与 llm-reasoning，并作为其月度简报内容，用户可每月支付 $10 订阅精选的 LLM 重要进展邮件摘要。

ProofAtlas 发布由 LLM 评估重要性的数学顶级开放问题榜单

ProofAtlas 推出 Top 500 数学开放问题榜单，依据 LLM 两两比较并按模型族可靠性加权生成重要性排名，而非专家共识。OpenAI、Claude 权重为 1.00，GLM 为 0.95，DeepSeek 为 0.90；P versus NP 与 Riemann Hypothesis 分列前两位。

Vals.ai 独立评测 TypeSafe Jev：声明核验追平前沿模型，LegalBench 排名末位

Vals.ai 独立评测 TypeSafe 的 Jev 1.13.0，在 400 项 SEC 文件声明核验任务中得分 0.975，追平 GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna，成本为每 1,000 个案例 $0.02，约为 GPT-6 Astra 的 1/498。

Mistral Large 4 预览版发布，1T 参数模型将开放权重

Mistral 发布 Mistral Large 4 预览版，模型拥有 1 万亿参数、49B 激活参数，使用 3,800 块 NVIDIA Grace Blackwell GPU 训练，现已通过 Mistral API 提供，并承诺在本月底发布开放权重。

Claude Platform 版本说明（2026 年 10 月 5 日）

Anthropic 更新 Claude Platform 版本说明，Models API 新增 capabilities.thinking.types.disabled 字段，GET /v1/models 可返回模型是否接受 thinking: {type: "disabled"}。

Mistral Large 4 与多款前沿模型的 SVG 生成测试

2026 年 10 月 6 日，wren6991 用同一生成穿渔网袜犰狳在火星乱穿马路 SVG 的提示词，测试 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 和 mistral/mistral-large-4，并列出各模型的默认推理等级。

Mistral Large 4 Preview：智能、性能与价格分析

该分析围绕 Mistral Large 4 Preview，从智能、性能和价格三个维度评估模型。评估指标包含能力指数、token 使用成本、上下文窗口，以及输出速度、首 token 延迟和输出 500 token 的端到端响应时间。

Jev 与 Haiku 4.5、GPT-5.4-mini、Gemini 3.5 Flash 的 Agent 分类场景实测对比

作者在客服升级和模型路由两个 Agent 分类用例中实测 Jev、Claude Haiku 4.5、GPT-5.4-mini 与 Gemini 3.5 Flash，各用 200 条平衡数据并由 3 个模型评委打分。

Pentad Labs 解析 WunderOS 为何用 Gleam 和 Zig 而非 Python 或 Rust

Pentad Labs 的 Kendall Clark 解释其智能体操作系统 WunderOS 采用 Gleam 负责 BEAM/OTP 协调、Zig 负责推理和存储等计算路径，而不使用 Python 或 Rust。

GPT-3.5 Turbo Instruct 十战全胜：复盘 2023 年模型为何在国际象棋中击败前沿大模型

作者复测国际象棋对局后，GPT-3.5 Turbo Instruct 对 GPT-5.6 Sol 和 Claude Opus 5 取得四战全胜，并在去年以六比零击败 o3、Grok 4 和 Gemini 2.5 Pro，总计十战十胜。

Claude Code 为何是自 LLM 以来 AI 的最大进展

文章认为 Anthropic 的 Claude Code 是自 LLM 以来 AI 的最大进展，核心在于其采用神经符号混合架构而非纯 LLM。其泄露源码中的 print.ts 内核有 3,167 行、486 个分支点和 12 层嵌套，主要是确定性的 IF-THEN 符号逻辑。作者据此主张符号 AI 与神经网络结合比单纯扩展 scaling 更重要。

HieraticBench 评测：13 个模型均无法识别专家手写的古埃及僧侣体句子

HieraticBench 测试 13 个模型阅读古埃及僧侣体，结果所有模型在专家 2022 年手写的密封句子上识别率均为 0%，78 次尝试无人说出 script 名称。