NVIDIA 微调 Nemotron 3，在 IOI 2026 与 IMO 2026 双双达到金牌水平
NVIDIA 团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 与 IMO 2026 上分别取得 535.4/600 和 30/42 的成绩，均超过金牌线。
推荐理由：NVIDIA 用 SFT、RL 加生成-验证-精修流程把 Nemotron 3 微调成 IOI 与 IMO 双金牌级专家模型，并公开数据与配方。
论文研究
全部主题值得读的论文与研究：架构创新、训练方法、能力测量与理论进展的精选解读与技术报告。
最新精选
第 21–40 条 · 共 66 条Hugging Face Blog（hf-mirror 镜像）精选AI 评分7171 Hacker News · Front Page精选AI 评分8888 Scott Aaronson 谈 Mathocalypse：OpenAI 放出 372 项数学结果之后
得州大学奥斯汀分校理论计算机科学家 Scott Aaronson 记录，OpenAI 在前一天放出 372 项重大数学结果，其中包括他妻子 Dana Moshkovitz 长期研究的 Unique Games Conjecture 证明，部分结果附有 Lean 证书，但几乎没有人类读懂这些证明。
推荐理由：作者以亲历者视角记录 OpenAI 一次性放出 372 项数学结果后，数学界如何消化这些无人读懂的证明。
Hacker News · Front Page精选AI 评分9494 Scott Aaronson 谈 OpenAI 一次性发布 372 项数学结果
Scott Aaronson 在博客中记录，OpenAI 一天内发布了 372 项数学结果，其中包括 Subhash Khot 的 Unique Games Conjecture 证明，部分结果附有 Lean 证书，但几乎没有人类读懂这些证明。
推荐理由：Scott Aaronson 亲历 OpenAI 一次性放出 372 项数学结果后的现场记录，含 UGC 证明细节与两种发布模式对比。
arXiv · cs.AI精选AI 评分6060 MemMux：为并行编码智能体集群提供运行时验证与资源归属
MemMux 是一个本地运行时，把并行编码智能体的资源治理变成可检查信号，包括按智能体归属内存、完整回收、逃逸进程可见、超配下占用受限和监控开销。
推荐理由：针对并行编码智能体的内存归属与回收问题，给出可检查的运行时信号和与 tmux 的对比基准，并公开复现方式。
arXiv · cs.AI精选AI 评分6262 AegisFlow：面向脆弱数据生态的多智能体自愈框架
论文提出 AegisFlow，一个基于 LLM 的多智能体框架，用 Watchdog 智能体采集运行时遥测、Repair 智能体自动创建、测试并部署代码补丁，闭合检测与修复之间的链路。
推荐理由：论文提出用 Watchdog 与 Repair 两个智能体自动生成并验证补丁，在五类数据管道故障中把 MTTR 从 170 分钟降到 3.2 分钟。
The Decoder精选AI 评分8585 OpenAI 在 GitHub 发布 372 项 AI 生成的数学证明
OpenAI 在 GitHub 发布 372 项由内部前沿模型生成的数学结果，每项声称解决一个开放问题或取得实质进展，涵盖主要计算机算法的改进以及与黎曼猜想相关的进展，仓库附带修订日志和引用。
推荐理由：OpenAI 把 372 项 AI 生成的数学结果发到 GitHub 而非期刊，并附 Lean 形式化，数学界对量产证明分歧明显。
Latent Space精选AI 评分8888 OpenAI 内部模型发布 722 篇数学论文，称解决 500 个开放问题中的 90 个
OpenAI 从一个未发布的内部前沿模型发布了一批数学成果，公开在 GitHub 仓库中，包含 722 篇手稿、372 个相关结果族，来自约 4000 个研究问题的评测，每个结果平均消耗约 3 小时 ChatGPT Pro 推理算力，模型本身未发布。
推荐理由：OpenAI 用内部未发布模型产出 722 篇数学论文，平均每个结果约 3 小时 ChatGPT Pro 算力，同时汇总 Mistral、Google 等多家模型动态。
量子位精选AI 评分8888 OpenAI 公开 722 篇数学手稿，涉及准黎曼猜想与霍奇猜想
OpenAI 公开 722 篇数学手稿，归为 372 组结果，全部出自一个尚未发布的内部模型，论文、源码和部分 Lean 证明已上传 GitHub。手稿涉及准黎曼猜想、霍奇猜想、BSD 猜想、π 的无理性指数等，OpenAI 称模型尝试约 4000 个研究问题，平均每项结果算力约相当于 ChatGPT Pro 思考 3 小时。
推荐理由：OpenAI 用未发布内部模型产出 722 篇数学手稿，覆盖准黎曼猜想、霍奇猜想等，数学家对核验进度和产出速度提出质疑。
The Verge · AI精选AI 评分7878 OpenAI 发布 722 篇数学手稿，称解决数百个开放问题
OpenAI 发布一批 722 篇手稿，覆盖 372 个结果族，据 AGMAI 称其中包含对数百个开放问题的解答，这些结果由一个未发布的前沿模型产出。发布内容还包括部分模型推理摘要、算力使用估算和尝试问题数量的统计，OpenAI 称平均每个结果相当于 ChatGPT Pro 思考三小时。
推荐理由：OpenAI 一次性放出 722 篇数学手稿，覆盖 372 个结果族，并公开推理摘要与算力估算，可了解 AI 攻入数学领域的发布方式与争议。
Hugging Face Blog（hf-mirror 镜像）精选AI 评分7878 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用判定成败，而非看模型生成的回复。
推荐理由：微软与 Hugging Face 联合发布 ThinkingBox，用数据库终态而非模型自述来评判智能体，并给出 507 个任务重复 20 次的稳定性与成本数据。
Hugging Face Blog（hf-mirror 镜像）精选AI 评分6262 Ai2 开源 AstaBrief 8B，科研报告生成速度提升约 3.5 倍
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，基于 Qwen3-8B 经 SFT 和 DPO 训练，权重与训练数据一并放出。
推荐理由：Ai2 开源 8B 科研报告生成模型，单次生成带引用报告，比 Claude 管线快约 3.5 倍，权重与训练数据一并放出。
Hugging Face Blog（hf-mirror 镜像）精选AI 评分6666 ServiceNow 发布 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 提出 AutoSynthData，用目标模型的失败和更强教师的成功来定位能力缺口，再生成并验证新的可执行任务用于后训练。
推荐理由：ServiceNow 提出用模型失败与教师成功自动生成企业智能体训练任务，并在 EnterpriseOps Gym 上验证 Pass@1 提升。
arXiv · cs.AI精选AI 评分6060 研究：Agent 任务中模型与 harness 的匹配关系
一篇 arXiv 论文评估了 66 组配置，用 OpenHands、DeepSeek Harness、PI、openJiuwen 四种 harness 搭配五个模型，在 TUA-Bench、ALE-CLI 和 Terminal-Bench 4 上测试，并加入 Codex-GPT 与 Claude Code-Claude 原生组合。
推荐理由：66 组模型与 harness 组合的实测显示模型排名会随 harness 反转，为选型提供了可复现的对照数据。
arXiv · cs.AI精选AI 评分6262 Kepler：面向 ARC-AGI-3 的可审计世界模型 harness
论文提出开源 harness Kepler，把假设表示为可执行世界模型，并通过回溯转移检查和条件预测检查加以验证。在固定的 Claude Opus 5 配置下，Kepler 在全部 25 个公开游戏上取得服务器验证的 100.00 RHAE，未做逐游戏模型选择或按分数重跑；183 个已完成关卡中有 181 个的最终 Opus 尝试所用动作数不超过对应人类中位数基线。
推荐理由：开源 harness 把假设写成可执行世界模型并做回溯校验，在 ARC-AGI-3 公开集拿到满分，同时报告三类评测失效。
arXiv · cs.AI精选AI 评分6262 论文：多用户多智能体团队为何比单一协调者表现更差
arXiv 论文 Worse Together 研究多用户多智能体协作，在 API key、诊所、个人助理、合并队列四类共享资源环境中，用五个前沿模型、77 个场景对比单一协调者与各服务一名用户的团队。
推荐理由：五个前沿模型、77 个场景的对照实验显示，多用户多智能体团队在共享资源时普遍不如单一协调者，并给出可复用的评测集。
arXiv · cs.AI精选AI 评分6060 让 Agent 当自己的优化器：跨任务自演化 harness 框架
该论文提出一种接近递归自我改进的框架，同一个冻结模型在同一版本 harness 上先作为求解者完成任务，再作为提议者读取完整运行记录并直接编辑运行自己的 harness。
推荐理由：同一冻结模型先当求解者再当提议者，直接改写自己的 harness，跨五个基准训练并在五个分布外基准上验证泛化。
arXiv · cs.AI精选AI 评分6262 AREX-2：用长程反思任务推进自我改进智能体
AREX-2 提出通过长程反思任务提升 LLM 智能体的自我改进能力，即测试时迭代优化解的能力，其基础是反思与长程执行两方面。
推荐理由：提出用长程反思任务训练智能体自我改进，在 MLE-bench Lite 与 BrowseComp 等基准上给出可验证结果。
The Decoder精选AI 评分7878 Ataraxos 在 Stratego 中击败人类最强选手，训练成本不到 DeepMind DeepNash 的 1/500
研究团队开发的 Ataraxos 在军棋类游戏 Stratego 中以 85% 有效胜率击败史上最强选手 Niemeijer，此前 DeepMind 的 DeepNash 未能突破顶尖人类水平。
推荐理由：论文展示用16块H100一周训练的策略游戏AI击败人类最强选手，并公开代码与低成本训练路径。
Google DeepMind精选AI 评分6666 Google DeepMind 推出 SynthID Bio，为 AI 生成的蛋白质加水印
Google DeepMind 发布 SynthID Bio，把水印技术用于合成生物学，将不可感知的签名嵌入生物代码，使水印既能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：Google DeepMind 把 SynthID 水印扩展到合成生物学，可在不改蛋白功能的前提下标记 AI 生成的序列与结构。
arXiv · cs.AI精选AI 评分6666 微软提出面向数据系统的 AI 软件工厂，覆盖 SDLC 全流程
微软团队在论文中提出 AI SW Factory，试图加速 SDLC 的 Targeting、Coding、Reviewing 和 Ops 全部阶段，认为 AI 编码工具只加速编码环节，受 Amdahl 定律限制。
推荐理由：微软团队提出覆盖编码、评审与运维全流程的 AI 软件工厂，报告数十个仓库部署中工程效率提升 3 倍。