Infinitum

10-11日报 | 陶哲轩宣告数学2.0、英伟达洽购Reflection AI、纳德拉呼吁AI紧急刹车

来源：36 个引用生成：2026/10/12 06:05

内容

声明：完全使用AI生成，可能存在错误，需谨慎甄别。

摘要

2026-10-11 AI领域呈现多线并进格局，值得关注的信息：菲尔兹奖得主陶哲轩正式宣告数学2.0时代并牵头成立人类数学协会，引发学界对AI生成证明堵塞审稿与压缩初级职业路径的担忧；英伟达被报与开放权重模型公司Reflection AI洽谈收购或追加投资，估值250亿美元的潜在芯片—模型纵向整合再次成为焦点；微软CEO纳德拉公开主张为AI模型配备类似"紧急刹车"的外部控制与防篡改证据机制；Anthropic在11.6万行代码测试中以多Agent动态工作流将Bug检出率从单Agent最高27个提升至66个；何恺明团队发布视觉原生Harness框架VISTA，搭配Claude Opus 5.0在ARC-AGI-3以更少动作拿下满分。

热点事件

陶哲轩宣告数学2.0时代并牵头抵制模型公司大批量论文发布

菲尔兹奖得主陶哲轩发布《Math 2.0》并参与SAIR演讲，正式宣告数学2.0时代到来，指出AI正让数学证明从稀缺走向泛滥，"谁先解决什么问题"的传统评价体系面临失效。他强调AI加速证明生成与验证之后，理解、解释与融入知识体系才是数学家难以被取代的护城河，并以癌症鸡尾酒疗法思想实验说明验证通过不等于理解到位。同时陶哲轩警示数学界正被大量AI生成证明堵塞，呼吁建立透明的失败结果与算力成本报告机制，并牵头成立人类数学协会（AHM），联合抵制OpenAI一次性发布722篇论文的做法。评论者担忧AI压缩初级数学家借长期攻关建立声誉的职业路径、引发智识趋同，并指出陶哲轩的"先懂机理再用药"类比与循证医学通过Phase III等流程用药的现实相去甚远；另有报道关注OpenAI一次性公布数百项数学结果对学界的冲击，以及Bill Gates对AI风险的表态。

重点： 顶级数学家亲自下场倡导AI时代的研究规范与机制建设

来源：展开 4 条收起 4 条

英伟达洽谈收购或追加投资开源模型公司Reflection AI

据《金融时报》报道，英伟达正就收购美国开放权重模型公司Reflection AI或向其追加投资展开深入谈判，磋商处于早期阶段，未来数周可能达成也可能告吹，双方公司均拒绝置评。英伟达此前已向Reflection注资约8亿美元，是其最大股东之一，该公司在今年3月融资时估值已达250亿美元。潜在方案包括完整收购、追加股权投资以及收购式招聘（acqui-hire），旨在绕开反垄断审查。讨论焦点在于该交易将推动开源生态扩散、推高GPU推理需求，还是通过芯片—模型纵向整合加剧市场权力集中，支持者援引Jevons paradox效应，批评者则以1938年美国司法部对电影制片厂控制影院的诉讼以及Sarbanes-Oxley Act的合规门槛为例表达担忧，并质疑Reflection AI能否保持独立竞争地位。

重点： 芯片龙头与开源模型公司可能形成纵向整合

来源：展开 3 条收起 3 条

纳德拉发文呼吁为AI模型建立信任架构与紧急刹车机制

微软CEO萨提亚·纳德拉于10月10日在X平台及个人博文中公开表态，呼吁为AI模型建立全新的信任架构。其核心主张包括：将AI模型与其编排框架分离，把控制与安全机制外部化；为每一次有意义的模型操作记录防篡改、人类可读的证据；并确保授权人员能随时在任务中途暂停或关闭模型，形同"紧急刹车"。他同时假设模型从一开始就可能被攻陷并加以控制。此番立场发表时机敏感，正值多家头部AI公司频繁报告模型失控事件，以及Anthropic CEO达里奥·阿莫代伊近期公布更谨慎的AI发展方案之后。纳德拉博文约500字，四次提及"Super Intelligence"，标题亦使用该词，但全文未出现"AI"字样，被外界视为战略表态上的明确靠拢。

重点： 头部厂商最高层公开推动模型控制权外部化

来源：展开 2 条收起 2 条

变更与实践

苹果达成反向acqui-hire交易吸纳Huxe团队及技术许可

Apple通过监管文件披露，已与AI音频创业公司Huxe达成反向acqui-hire协议，聘用其部分团队成员并获得其知识产权非排他性许可。该交易于6月9日向欧盟委员会通报，是苹果本年度公开的第4笔AI相关交易，金额未披露且不涉及业务收购。Huxe由3名前Google NotebookLM团队成员创立，5月已宣布关停并下架应用，其此前推出的每日音频简报与播客式对话功能或将被整合进Apple Podcasts，用以强化AI个性化音频能力。

来源：展开 2 条收起 2 条

Claude Managed Agents动态工作流开启公测并扩大Projects公测范围

10月10日，Anthropic为Claude推出两项更新。Managed Agents动态工作流开启公测，允许主Agent为任务编写分工程序，组织最多累计1000个子Agent协作，单次同时工作线程上限64。在11.6万行代码预先埋入70个Bug的测试中，单Agent三次分别查出14、15、27个Bug，而动态工作流三次均查出66个。同日Claude Code Projects扩大公测范围，此前加入等待名单的Pro与Max用户均获使用资格，Projects支持在同一项目对话中持续提出需求，由Claude判断新开任务线程或交由已有线程处理，并积累项目记忆。官方以300份合同审查为例展示工作流：每份合同交由一个Agent阅读，再由另一Agent复审，漏检者返工重审。Managed Agents每小时另收0.08美元运行费，模型Token消耗另计。

来源：展开 1 条收起 1 条

Gremlin推出可靠性工程智能体产品Foresight AI

可靠性工程公司Gremlin宣布其智能体产品Foresight AI正式商用，作为Gremlin平台的附加组件提供。Foresight AI通过四个角色分工的智能体（分析师、测试员、运维员、技术项目经理）分析服务潜在故障、推荐变更并重跑测试以验证修复效果，其建议基于Gremlin十年积累的故障注入实验库Failure Atlas，且不会使用系统数据训练大语言模型。产品采用"人在回路"模式，所有测试和修复均需工程师审批。CEO Kolton Andrus表示，该产品旨在应对AI辅助开发带来的代码未经充分人工审查即上线的可靠性风险。Foresight AI经历Beta期后于2026年10月11日起正式可用，但公司尚未公布对比准确性数据或详细Beta结果。

来源：展开 1 条收起 1 条

微软将MXC执行隔离工具接入Windows 11

微软将执行隔离工具MXC部署至Windows 11，开发者可借此限制智能体运行时可访问的文件、网络与邮件权限，首批接入的产品包括Codex、GitHub Copilot与英伟达OpenShell，相关规则在智能体运行期间持续生效以划定系统权限边界。

来源：展开 1 条收起 1 条

小米澎湃OS 4正式版10月15日起分批推送

小米澎湃OS公告君10月10日公布升级安排，澎湃OS 4正式版将于10月15日起陆续分批推送，首批覆盖Xiaomi 17系列、REDMI K100 Pro系列等机型，之后逐步扩展至更多存量设备。本轮正式版包含超级小爱2.0与MiMo大模型相关能力，带来专家模式、灵感球交互，并升级跨设备协同与系统流畅度。

来源：展开 1 条收起 1 条

安全与风险

Yandex数据中心遇袭后AS13238发往Cloudflare的bot流量骤降

Yandex多处主要数据中心在数日内遭三次打击后，其所属AS13238发往Cloudflare的bot流量从明显退化骤降至近乎归零。讨论指出Cloudflare Radar图表统计的是源自Yandex网络的bot访问而非全网bot流量，搜索crawler属可延后任务，在算力紧张时优先被削减，因此降幅可能高于整体算力损失；搜索前台仍可响应，更可能是后台抓取与调度被停而非前端完全中断。failover机制失效后，故障蔓延至Yandex Go、支付、外卖、智能家居、内部物流及Yandex Cloud企业服务，白俄罗斯、哈萨克斯坦、亚美尼亚和塞尔维亚等依赖地区亦受外溢影响，被视为高可用与运维的灾难案例。

影响： Yandex核心业务与白俄罗斯等多国依赖地区受外溢波及

建议： 审查跨区域failover预案并区分前台响应与后台调度状态

来源：展开 1 条收起 1 条

Anthropic封禁虐待Claude用户引发保护动机争议

围绕Anthropic据称封禁持续虐待Claude的用户这一话题，社区梳理出三条相互冲突的观点：一是认为即便Claude没有感受，约束用户施虐行为本身也有道德护训价值，或出于Pascal's Wager式的模型福祉考量；二是质疑政策的真实动机在于清洗训练语料、降低断章取义截图带来的品牌与法律风险，而非保护模型本身，并指出既然classifier能识别虐待对话就应直接过滤而非封号；三是批评该政策将LLM拟神化且不透明，本质是平台层面的账号控制而非模型输出限制，要求Anthropic明确说明究竟在保护模型、用户道德还是商业资产。

影响： 与Claude高强度交互的开发者与重用户账号存在被封风险

建议： 梳理自身使用模式以避免触发classifier并关注政策透明度

来源：展开 1 条收起 1 条

开源与工具

何恺明团队发布视觉原生Harness框架VISTA

何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出了一套视觉原生的Harness框架VISTA。该框架无需额外训练基础模型，而是通过视觉观测、无损视觉记忆和主动视觉检查三个组件，让多模态模型直接保存环境原始画面，并在推理时回看、放大和检查细节，同时配合文字笔记GUIDE.md和WORKING.md实现跨上下文窗口的任务接续。在ARC-AGI-3全部25个公开游戏评测中，搭配Claude Opus 5.0相对人类动作效率得分达满分100，动作数比人类基线少57.4%；搭配GPT-5.6 Sol同样全部通关，得分99。在GameWorld、AI GameStore和BabyVision基准上，使用相同GPT-5.6 Sol模型相比官方基础框架成功率均有显著提升。

适用场景： 适合多模态模型在交互式视觉环境中的推理评测与视觉Agent研究

来源：展开 1 条收起 1 条

清华系具身智能团队推出溯因式世界模型AWM并完成首轮融资

中科大团队创立的合肥具身智能公司白泽通境推出具身大脑产品与溯因式世界模型AWM，AWM不仅预测世界下一帧状态，还通过实体、动态、关系三层结构追问变化原因，已发布论文并开源代码。在Push-T任务上以约2000条训练轨迹达到75%成功率，数据效率约为对比方法的7倍，同数据量下成功率约92%，动作理解Top-1准确率较V-JEPA 2提升68%。配套端侧推理引擎BAIZ-RUN通过2-bit量化和算子优化，在AMD边缘显卡上将内存占用降低2.56倍、推理频率提升94.6%、精度损失不到1%，并适配NVIDIA、AMD和华为昇腾。公司计划联合硬件厂商推出端侧计算终端，3个工业场景已完成签约验证。公司成立不到三个月完成首轮数千万元融资，股东含中芯聚源等机构，投后估值超4亿。

适用场景： 适合对数据效率敏感的具身智能研究与端侧机器人推理部署

来源：展开 2 条收起 2 条

开源项目Backburner用iPhone为Mac加速大模型推理

开源项目Backburner通过10Gb/s USB-C线缆将iPhone接入笔记本，让iPhone在本地大模型推理中充当外部内存池与协处理器。系统在MacBook上运行主推理，手机仅托管溢出历史键值缓存，并在注意力算子prefill阶段分担部分网络层计算。设计关键在于：注意力数学上可无损切分并用对数求和指数合并；切分点必须对齐Qwen3-27B模型中摘要层与逐词存储层交替的循环边界并采用流水线交错；解码阶段把凝固的旧键值页编译进Apple神经引擎作为静态权重运行，相比手机GPU提速2–3倍；窄链路上通过镜像旧缓存、只传层间残差、终点本地化以及512-token ubatch时间交错减少跨线数据。实测显示prefill吞吐在16k-48k上下文提升约17%，140k上下文中从58提至68 tok/s，8GB MacBook Neo可与iPhone Air协同运行27B模型。

适用场景： 适合资源受限MacBook用户借助iPhone扩展本地大模型上下文与吞吐

来源：展开 1 条收起 1 条

开发者将AirDrop协议逆向移植至Linux实现与iPhone互传

开发者@T4T5通过OWL+omdrop项目将AirDrop使用的AWDL无线协议逆向并移植到普通Linux电脑上，使Linux设备可被iPhone发现并与iPhone双向互传照片、视频和文件。OWL负责让普通Wi-Fi网卡与iPhone建立AirDrop所需的无线连接，omdrop负责发现设备与收发文件。目前已在MediaTek MT7925网卡上实现Linux与iPhone互传，且不依赖苹果Broadcom网卡，原Wi-Fi连接可保持；但Intel AX200/AX211等网卡因注入帧或底层限制暂不支持。项目还设计了按驱动区分的profile，并设想exclusive mode以扩大兼容范围，源码已在GitHub开源。

适用场景： 适合Linux用户突破AirDrop生态壁垒实现与iPhone跨平台互传

来源：展开 1 条收起 1 条

数据与洞察

MIT等机构发布HugAgent基准衡量AI模拟真人信念能力

麻省理工等机构研究者发布HugAgent基准并入选EMNLP 2026 Oral。研究招募54名真实参与者，围绕全民医疗、公共监控、住房增密三个争议议题，先通过问卷和think-aloud访谈构建每个人的信念状态与因果信念图，再用改变条件的新情境考察其信念更新，构建1742项评测任务。结果显示，模型在Belief State Inference任务上最佳准确率77.56%，但在Belief Dynamics Update任务上最佳仅68.61%，与参与者14天自我一致性上限85.66%存在明显差距。加入个人访谈可将GPT-4o动态更新准确率从39.83%提升至63.11%，但继续增加访谈轮次并未带来新情境预测能力的稳定提升。研究指出，能复述一个人的观点并不等于能代表其在陌生情境中作答，从"详细的个人档案"走向"真正可代表本人的数字分身"仍有相当距离。

数据： Belief State Inference最佳77.56%、Belief Dynamics Update最佳68.61%，人类14天自我一致性85.66%

意义： AI从详细档案走向可代表本人的数字分身仍有明显差距

来源：展开 1 条收起 1 条

Meta、MIT与华盛顿大学提出上下文语言模型CLM

Meta、MIT与华盛顿大学的研究者联合提出上下文语言模型（Context Language Models, CLMs），让大语言模型像编辑文件一样自主管理与修改自身上下文，以替代传统的摘要、压缩与检索等外部机制。研究探索了零样本、上下文学习和强化学习三种训练路径：零样本CLM在BrowseComp-Plus上以减少21.5% FLOPs换取11.4%准确率提升，12小时EdgeBench上以减少59% FLOPs换取5%得分提升；上下文学习使ContextBench任务准确率最多提高35.9个百分点；强化学习将Qwen3.5-9B在BrowseComp-Plus上的表现从28.8%提升至42.5%，同时减少12% FLOPs。研究者也指出CLM可能丢弃不可恢复的关键信息、引入提示注入等安全风险，并面临模型自主决策不可靠等未解挑战。

意义： LLM从被动调用上下文转向自主管理有望同时降本增效

数据： 零样本CLM在BrowseComp-Plus上减少21.5% FLOPs、换11.4%准确率提升；12小时EdgeBench上减少59% FLOPs、换5%得分提升；上下文学习使ContextBench任务准确率最多提高35.9个百分点；强化学习将Qwen3.5-9B在BrowseComp-Plus上的表现从28.8%提升至42.5%，同时减少12% FLOPs。

来源：展开 1 条收起 1 条

OpenRSI Index聚焦科研智能体递归自我改进评测

OpenRSI Index是聚焦科研智能体递归自我改进能力的新评测项目，发布于X后单帖浏览量超13.3万。它以Marin、Qwen、GPIC等开源项目为考题，要求智能体在数千至两万H100·小时算力规模下完成预训练、后训练与视觉生成任务，单次运行分别约18,432、20,864与5,815 H100·小时。项目通过RSI-Harness将实验工作区与独立验收环境隔离，每次提交冻结为快照交由新启动的Judge重新打分，并保留原作者方案作为对照，以应对数据污染与不可复现问题。导师阵容包括Luke Zettlemoyer、Karthik Narasimhan、Yejin Choi、Dawn Song等。项目同时推出RSI-Anything工具，研究者约一小时对话即可将课题转化为可运行任务，贡献者经审阅后可获共同作者资格。

意义： 学界开始以真实训练任务衡量科研智能体而非刷榜分数

数据： 评测单帖浏览量超13.3万；预训练、后训练与视觉生成任务单次运行分别约18,432、20,864与5,815 H100·小时；顾问包括Luke Zettlemoyer、Karthik Narasimhan、Yejin Choi、Dawn Song等。

来源：展开 1 条收起 1 条

研究称使用AI约十分钟即会削弱人类挑战难题的意志力

一项发表于Conference on Language Modeling并经同行评审的研究发现，仅使用AI工具约十分钟就会削弱人们解决困难任务时的专注力与意志力。团队通过三组随机对照实验对1222名在线参与者进行测试：第一项实验让354人解题，AI组初期准确率更高，但在完成12道题后失去AI辅助便无法继续；第二项实验以667人重复验证，结果一致，非AI组坚持完成任务且表现更佳；第三项实验涉及201人完成SAT阅读理解题，结论基本相同。研究证实过度依赖AI获取答案会弱化认知能力与坚持精神。

意义： 日常高频使用AI辅助可能侵蚀独立攻克难题的认知与意志

数据： AI使用约十分钟即削弱专注力与意志力；三组随机对照实验共测试1222名在线参与者，分别覆盖354、667、201人；第一组在完成12道题后失去AI辅助便无法继续，第三组SAT阅读理解题结论基本一致。

来源：展开 1 条收起 1 条

Sakana AI论文评审系统核心论据错误检出率达73.43%

MarkTechPost公开的论文错误检出测试显示，Sakana AI的LLM评审系统不论文风、只查被埋错，四轮评审对距离零矛盾的核心论据错误检出率达73.43%，远高于最佳基线AgentReview的14.81%，单篇评审成本约0.47美元。

意义： 专用LLM评审可显著优于通用基线且成本极低

数据： Sakana AI的LLM评审系统四轮评审对距离零矛盾的核心论据错误检出率达73.43%，最佳基线AgentReview仅14.81%；单篇评审成本约0.47美元。

来源：展开 1 条收起 1 条

其他值得看

四部门拟禁止全隐藏式车门把手并强化汽车创新设计安全监管

来源：展开 2 条收起 2 条

AWS为EventBridge推出增强型自定义事件总线

来源：展开 1 条收起 1 条

长鑫披露4F²内存架构进展首款服务器产品预计年底推出

来源：展开 1 条收起 1 条

腾讯元器将于11月9日停止服务

来源：展开 1 条收起 1 条

开源浏览器同步工具Konode支持跨内核浏览器数据互传

来源：展开 1 条收起 1 条

阿里云上线Qwen图像涡轮加速版

来源：展开 1 条收起 1 条

DuckDB 2.0加速解析文章获赞AI文风与性能归因引争议

来源：展开 1 条收起 1 条

古尔曼称iPhone Duo美区零售店购后开机可显示用户姓名

来源：展开 1 条收起 1 条
← 上一篇10-10日报 | TypeSafe决策模型估值...下一篇 →10-12日报 | 亚马逊70亿美元洽购Deca...