AI 与科学前沿 · 2026-11-05

Axiom发布Stacks Project的Lean形式化版本，把这部约7500页、奠定现代代数几何基础的开放参考书变成单一机器校验库，规模约1600万行代码。此前代数几何缺少对应的Lean基础设施，一个新证明往往要先串起交换代数、概形、层、上同调与代数栈的长链定理。该库保留原文永久标签，使研究者与AI智能体可直接导入定义和定理，并在形式化过程中定位到若干需要补假设或修正的陈述。

Axiom发布Stacks Project的Lean形式化版本，把这部约7500页、奠定现代代数几何基础的开放参考书变成单一机器校验库，规模约1600万行代码。此前代数几何缺少对应的Lean基础设施，一个新证明往往要先串起交换代数、概形、层、上同调与代数栈的长链定理。该库保留原文永久标签，使研究者与AI智能体可直接导入定义和定理，并在形式化过程中定位到若干需要补假设或修正的陈述。

FlyWheel是一组为TPU原生编写的注意力核，同时覆盖softmax注意力与Gated DeltaNet线性注意力。它针对TPU矩阵单元因重复操作数加载、向量运算密集和依赖停顿而闲置的问题，重整数据布局、把三角求逆与卷积改写成矩阵乘法，并显式交错独立计算。在TPU v6e上，softmax注意力相对RPA-v3最高提速3.49倍、相对Splash Attention最高提速1.56倍，达到峰值BF16吞吐的81%。

FlyWheel是一组为TPU原生编写的注意力核，同时覆盖softmax注意力与Gated DeltaNet线性注意力。它针对TPU矩阵单元因重复操作数加载、向量运算密集和依赖停顿而闲置的问题，重整数据布局、把三角求逆与卷积改写成矩阵乘法，并显式交错独立计算。在TPU v6e上，softmax注意力相对RPA-v3最高提速3.49倍、相对Splash Attention最高提速1.56倍，达到峰值BF16吞吐的81%。

Anthropic 在 Claude 平台为 Messages API 推出消息线程 beta：服务端保存整段对话，后续请求只发送新增消息，从而让长对话和智能体循环的请求更小、首 token 时间更低。此前这类场景需要每轮重发完整历史。线程在最后一次请求 5 分钟后过期，最迟在其最后使用后 1 小时删除，并已在 Claude API、AWS 上的 Claude Platform、Google Cloud 上的 Claude 模型（Anthropic 托管）和 Microsoft Foundry 中的 Claude 提供。

Anthropic 在 Claude 平台为 Messages API 推出消息线程 beta：服务端保存整段对话，后续请求只发送新增消息，从而让长对话和智能体循环的请求更小、首 token 时间更低。此前这类场景需要每轮重发完整历史。线程在最后一次请求 5 分钟后过期，最迟在其最后使用后 1 小时删除，并已在 Claude API、AWS 上的 Claude Platform、Google Cloud 上的 Claude 模型（Anthropic 托管）和 Microsoft Foundry 中的 Claude 提供。

模型对更难、分布外样本难以给出可靠自生成监督，组合式自改进改为先预测较简单的子问题，再按组合规则拼成整题标签并反复训练。在三个可控算法任务上，这种组合标签把可靠预测推到初始范围之外，而直接自改进在加法与网格导航上几乎没有扩展；程序生成与多跳推理也显示组合标签比直接自标签更准确，但子问题不可靠、组合规则失效和监督覆盖不足会限制收益。

模型对更难、分布外样本难以给出可靠自生成监督，组合式自改进改为先预测较简单的子问题，再按组合规则拼成整题标签并反复训练。在三个可控算法任务上，这种组合标签把可靠预测推到初始范围之外，而直接自改进在加法与网格导航上几乎没有扩展；程序生成与多跳推理也显示组合标签比直接自标签更准确，但子问题不可靠、组合规则失效和监督覆盖不足会限制收益。

AlgoPilot把语言模型的解题过程拆成三步：先判断该用自然语言推理、代码执行、约束求解、符号规划还是数学优化，再按所选范式生成结构化的问题形式化，最后交给执行模型求解。以Qwen3-8B为执行模型时，同一模型在13个基准、66个领域上的平均准确率从直接提示的38.4%升到72.9%，比表现最好的大模型提示基线GLM-5高11.7个百分点；换用Gemma-4-E4B-it作执行模型时，平均成功率从直接提示的39.0%升到60.5%。

AlgoPilot把语言模型的解题过程拆成三步：先判断该用自然语言推理、代码执行、约束求解、符号规划还是数学优化，再按所选范式生成结构化的问题形式化，最后交给执行模型求解。以Qwen3-8B为执行模型时，同一模型在13个基准、66个领域上的平均准确率从直接提示的38.4%升到72.9%，比表现最好的大模型提示基线GLM-5高11.7个百分点；换用Gemma-4-E4B-it作执行模型时，平均成功率从直接提示的39.0%升到60.5%。

软件验证的证明往往比写代码更费力，而已完成的验证成果很难自动变成可复用定理库。VeriBase把代码与其关联定理当作一个声明族，经证明、泛化、收割三个阶段自动构建Lean库，并在接口变化时同步更新依赖声明。由4,191个独立程序构建的通用库把三个单文件基准、三个后端模型上的平均任务成功率从63.0%提升到73.0%，平均完成时间缩短13.2%。

软件验证的证明往往比写代码更费力，而已完成的验证成果很难自动变成可复用定理库。VeriBase把代码与其关联定理当作一个声明族，经证明、泛化、收割三个阶段自动构建Lean库，并在接口变化时同步更新依赖声明。由4,191个独立程序构建的通用库把三个单文件基准、三个后端模型上的平均任务成功率从63.0%提升到73.0%，平均完成时间缩短13.2%。

目标数据集上的人工标注被一条自动流程替代：SAM生成分割候选，CLIP做快速预筛与标签匹配，大视觉语言模型只对聚类中心图像给出语义标签，再用这些伪标签训练开放集检测器并迭代精修。在COCO val2017与LVIS minival的零样本设定下，YOLO骨干版本分别达到60.8 AP和47.4 AP，Swin-T骨干版本为57.2 AP和46.2 AP，说明增益并非只来自检测骨干。

目标数据集上的人工标注被一条自动流程替代：SAM生成分割候选，CLIP做快速预筛与标签匹配，大视觉语言模型只对聚类中心图像给出语义标签，再用这些伪标签训练开放集检测器并迭代精修。在COCO val2017与LVIS minival的零样本设定下，YOLO骨干版本分别达到60.8 AP和47.4 AP，Swin-T骨干版本为57.2 AP和46.2 AP，说明增益并非只来自检测骨干。

MemUse 把评估单位从整条任务结果换成单次记忆投递：在 8,000 条 SWE-bench Verified 智能体轨迹上，三种记忆系统的解决率与无记忆基线相差不超过 0.4 个百分点，但逐条判定显示多数投递条目与任务无关，各系统中 51.3%–79.7% 的相关条目未被智能体采纳，且 23.2% 有有益记忆使用的回合仍然失败。

MemUse 把评估单位从整条任务结果换成单次记忆投递：在 8,000 条 SWE-bench Verified 智能体轨迹上，三种记忆系统的解决率与无记忆基线相差不超过 0.4 个百分点，但逐条判定显示多数投递条目与任务无关，各系统中 51.3%–79.7% 的相关条目未被智能体采纳，且 23.2% 有有益记忆使用的回合仍然失败。

V2G把GWAS位点的候选基因判定拆成可记录的检索步骤，由语言模型在汇总证据上重排并给出依据。在135个候选检索成功且Open Targets有预测的留出位点上，重排把Precision@1从证据排序的0.711提到0.793，未检出与Open Targets L2G的差异。但只给性状和基因名、打乱顺序时同一模型得0.864，说明增益主要来自对已知关联的回忆，而非对检索证据的整合。

V2G把GWAS位点的候选基因判定拆成可记录的检索步骤，由语言模型在汇总证据上重排并给出依据。在135个候选检索成功且Open Targets有预测的留出位点上，重排把Precision@1从证据排序的0.711提到0.793，未检出与Open Targets L2G的差异。但只给性状和基因名、打乱顺序时同一模型得0.864，说明增益主要来自对已知关联的回忆，而非对检索证据的整合。

面向指令微调的目标数据选择，QSGS把候选样本的梯度相似度组织成一张图，用子模图割同时拉近目标任务、压低子集内部冗余，再用梯度引导合成补上选不出的方向。在MMLU、BBH、TydiQA三个基准和Llama-2、Llama-3、Mistral三个模型上，0.5%预算（27万条中取1350条）的QSGS在Mistral-7B上追平或超过全量数据表现，并在所有基准上优于最强基线。

面向指令微调的目标数据选择，QSGS把候选样本的梯度相似度组织成一张图，用子模图割同时拉近目标任务、压低子集内部冗余，再用梯度引导合成补上选不出的方向。在MMLU、BBH、TydiQA三个基准和Llama-2、Llama-3、Mistral三个模型上，0.5%预算（27万条中取1350条）的QSGS在Mistral-7B上追平或超过全量数据表现，并在所有基准上优于最强基线。

内部蒸馏要把教师模型的中间激活对齐到学生模型更小的表示空间，以往靠额外训练投影矩阵完成，这些参数训练完即被丢弃。RAPID改用基于Johnson-Lindenstrauss引理的固定随机投影压缩教师表示，并以指数滑动平均结合同方差不确定性加权来平衡多个损失。在Gemma 3与Qwen 2.5的推理后训练中，其四项基准平均分与学习式投影基本持平，整体平均差异不超过0.15个百分点，同时可训练参数在Qwen实验减少8.1%、在蒸馏全部激活时减少21.1%。

内部蒸馏要把教师模型的中间激活对齐到学生模型更小的表示空间，以往靠额外训练投影矩阵完成，这些参数训练完即被丢弃。RAPID改用基于Johnson-Lindenstrauss引理的固定随机投影压缩教师表示，并以指数滑动平均结合同方差不确定性加权来平衡多个损失。在Gemma 3与Qwen 2.5的推理后训练中，其四项基准平均分与学习式投影基本持平，整体平均差异不超过0.15个百分点，同时可训练参数在Qwen实验减少8.1%、在蒸馏全部激活时减少21.1%。

神经网络内部的特征常由一组神经元协同表示，只画两两连线的电路图会漏掉成组抑制带来的联合效应。新方法把网络当作结构因果模型，用沿神经流形的反事实消融逐步压低一组神经元，再按统计显著性把有因果联系的神经元组建成有向单纯复形。在两个手工构造的小型多层感知机上，复形恢复了设计好的特征通路；其1-骨架与ACDC、EAP、EAP-IG保留的、权重图能表达的边一致。

神经网络内部的特征常由一组神经元协同表示，只画两两连线的电路图会漏掉成组抑制带来的联合效应。新方法把网络当作结构因果模型，用沿神经流形的反事实消融逐步压低一组神经元，再按统计显著性把有因果联系的神经元组建成有向单纯复形。在两个手工构造的小型多层感知机上，复形恢复了设计好的特征通路；其1-骨架与ACDC、EAP、EAP-IG保留的、权重图能表达的边一致。

逆强化学习要从专家示范中恢复能跨不同动力学环境迁移的奖励，而专家示范代价高昂，关键在于选对采集示范的动力学。两阶段方法先轮换可用动力学得到可靠的奖励估计，再主动选择动力学以降低对专家奖励的不确定性，由此给出对任意动力学成立、速率与可用动力学数量无关的迁移样本复杂度保证。实验上，该方法显著减少了学习可迁移奖励所需的专家示范数量。

逆强化学习要从专家示范中恢复能跨不同动力学环境迁移的奖励，而专家示范代价高昂，关键在于选对采集示范的动力学。两阶段方法先轮换可用动力学得到可靠的奖励估计，再主动选择动力学以降低对专家奖励的不确定性，由此给出对任意动力学成立、速率与可用动力学数量无关的迁移样本复杂度保证。实验上，该方法显著减少了学习可迁移奖励所需的专家示范数量。

Preferred Networks 在 Hugging Face 公开了翻译专用模型 PLaMo 3 Translate 的 0.8B、2B、8B、31B 四档权重，并提供 FP8、W4A16、NVFP4、GGUF、MLX 等量化与本地推理格式。其最小 0.8B 模型在日英与日语↔多语翻译上，超过参数量大 30 倍以上的现有翻译专用模型；英语↔多语方向则由 2B 模型超过现有全部翻译专用模型。训练以两阶段监督微调加 DPO 为主，小模型再经 31B 教师蒸馏。

Preferred Networks 在 Hugging Face 公开了翻译专用模型 PLaMo 3 Translate 的 0.8B、2B、8B、31B 四档权重，并提供 FP8、W4A16、NVFP4、GGUF、MLX 等量化与本地推理格式。其最小 0.8B 模型在日英与日语↔多语翻译上，超过参数量大 30 倍以上的现有翻译专用模型；英语↔多语方向则由 2B 模型超过现有全部翻译专用模型。训练以两阶段监督微调加 DPO 为主，小模型再经 31B 教师蒸馏。

主观类别（如“健康食品”）的边界因人、因文化而变，传统流程却要求用户一开始就给出稳定标签。Google Research 的 Agile Deliberation 把分类器构建拆成概念界定与概念迭代两步：先让用户把大概念拆成子类与明确排除项，再用视觉语言模型挑出语义上处于边界的图像请用户判断，反馈直接进入自动提示优化循环。在 18 场、每场 1.5 小时的真人会话中，参与者经此流程构建的分类器在最具挑战性的主观图像上明显优于所比较的标准基线，并报告更低的疲劳与焦虑。

主观类别（如“健康食品”）的边界因人、因文化而变，传统流程却要求用户一开始就给出稳定标签。Google Research 的 Agile Deliberation 把分类器构建拆成概念界定与概念迭代两步：先让用户把大概念拆成子类与明确排除项，再用视觉语言模型挑出语义上处于边界的图像请用户判断，反馈直接进入自动提示优化循环。在 18 场、每场 1.5 小时的真人会话中，参与者经此流程构建的分类器在最具挑战性的主观图像上明显优于所比较的标准基线，并报告更低的疲劳与焦虑。

NVIDIA 发布 CUDA 13.5，对 Vera Rubin 平台的支持从早期开发者访问转为正式可用，面向企业生产部署；Windows on Arm 支持自 CUDA 13.4 起已正式可用，此次扩展到 Windows 上的 DGX Station。同一版本还加入 locality domain 与 MPS v3 的 GPU 调度定制、CUDA Tile 内核内的多 GPU 通信与 SIMT 库函数调用预览，以及 CUDA Python、CCCL 和数学库的更新。这些能力面向在已知目标架构上部署的开发者，具体收益取决于所选平台与配置。

NVIDIA 发布 CUDA 13.5，对 Vera Rubin 平台的支持从早期开发者访问转为正式可用，面向企业生产部署；Windows on Arm 支持自 CUDA 13.4 起已正式可用，此次扩展到 Windows 上的 DGX Station。同一版本还加入 locality domain 与 MPS v3 的 GPU 调度定制、CUDA Tile 内核内的多 GPU 通信与 SIMT 库函数调用预览，以及 CUDA Python、CCCL 和数学库的更新。这些能力面向在已知目标架构上部署的开发者，具体收益取决于所选平台与配置。

Ai2在Google.org提供的数百万美元、为期三年的资助和Google Research的技术支持下启动气候建模计划，开发开源模型NeuralGCM+。它沿用NeuralGCM的混合思路：用物理方程模拟大尺度动力过程，用AI表示云和降水等小尺度过程，并把大气与海洋、海冰耦合起来，目标是稳定模拟数十年尺度的气候。Google Research此前的NeuralGCM在大气单层版本上，用单块TPU八分钟模拟出全球一年的天气状况。

Ai2在Google.org提供的数百万美元、为期三年的资助和Google Research的技术支持下启动气候建模计划，开发开源模型NeuralGCM+。它沿用NeuralGCM的混合思路：用物理方程模拟大尺度动力过程，用AI表示云和降水等小尺度过程，并把大气与海洋、海冰耦合起来，目标是稳定模拟数十年尺度的气候。Google Research此前的NeuralGCM在大气单层版本上，用单块TPU八分钟模拟出全球一年的天气状况。

在只标注模型预测不一致的样本之后，两个一致性计数就能给出F1差值的精确上下界，从而在指定容差内认证两个分类器中该选哪一个，或指出还需要补查哪些一致性标签。在3,200对冻结模型预测上，共享同一标签补全的联合界在0.01容差下认证了保留单元中79.46%的选择，而分别求界只认证6.57%；按幅度排序时，0.01容差把全部配对的总标注量从121.16降到74.59，全标注为500。保证只针对被评估的这一批样本，不延伸到未来数据。

在只标注模型预测不一致的样本之后，两个一致性计数就能给出F1差值的精确上下界，从而在指定容差内认证两个分类器中该选哪一个，或指出还需要补查哪些一致性标签。在3,200对冻结模型预测上，共享同一标签补全的联合界在0.01容差下认证了保留单元中79.46%的选择，而分别求界只认证6.57%；按幅度排序时，0.01容差把全部配对的总标注量从121.16降到74.59，全标注为500。保证只针对被评估的这一批样本，不延伸到未来数据。

当目标只占画面一小块时，整图质量评分会被背景主导，而公开基准又没有目标级人工评分。BiCG-Net把目标框向外扩成嵌套图块序列，用11个冻结的图像质量评估模型分别打分，再对同一图像内两块读数作差，从数学上消掉目标项与教师偏置。在CSIQ与LIVEC上，学生网络对人工MOS的PLCC分别为0.9009和0.9133，均高于最佳单教师与教师共识；冻结后从CSIQ零样本迁移到LIVEC，PLCC为0.8416，比共识高0.1947。

当目标只占画面一小块时，整图质量评分会被背景主导，而公开基准又没有目标级人工评分。BiCG-Net把目标框向外扩成嵌套图块序列，用11个冻结的图像质量评估模型分别打分，再对同一图像内两块读数作差，从数学上消掉目标项与教师偏置。在CSIQ与LIVEC上，学生网络对人工MOS的PLCC分别为0.9009和0.9133，均高于最佳单教师与教师共识；冻结后从CSIQ零样本迁移到LIVEC，PLCC为0.8416，比共识高0.1947。

跨引擎湖仓基准长期依赖跨职能协作与领域专家，同一逻辑查询在不同执行引擎上的实现难以公平比较。SpBench 用类型化基准定义把平台无关的查询编译成各引擎实现，再把每次运行记录成可查询的遥测数据，让 AI 智能体通过三个可组合技能完成基准提炼、构建与分析。该系统已在 Snowpark 与 Snowpark Connect 等环境的生产基准中使用，包含 400 多条查询并按固定节奏运行以发现性能回退，基准编写周期从数周或数月缩短到一轮 AI 开发循环。

跨引擎湖仓基准长期依赖跨职能协作与领域专家，同一逻辑查询在不同执行引擎上的实现难以公平比较。SpBench 用类型化基准定义把平台无关的查询编译成各引擎实现，再把每次运行记录成可查询的遥测数据，让 AI 智能体通过三个可组合技能完成基准提炼、构建与分析。该系统已在 Snowpark 与 Snowpark Connect 等环境的生产基准中使用，包含 400 多条查询并按固定节奏运行以发现性能回退，基准编写周期从数周或数月缩短到一轮 AI 开发循环。

Mastra 发布 Knowledge，把公司文档、政策和决策整理成带作用域的命名 Markdown 页面，作为智能体共享的知识存储。此前智能体只能靠指令、检索增强生成、技能或查询接口的工具获得上下文，这些途径通常只读，信息一变就要人工更新。Knowledge 与 Mastra 的上下文工程原语 signals 配合，把相关内容带入智能体上下文并在运行中保持更新，智能体还能在有权访问的作用域内搜索、读取和写入页面。

Mastra 发布 Knowledge，把公司文档、政策和决策整理成带作用域的命名 Markdown 页面，作为智能体共享的知识存储。此前智能体只能靠指令、检索增强生成、技能或查询接口的工具获得上下文，这些途径通常只读，信息一变就要人工更新。Knowledge 与 Mastra 的上下文工程原语 signals 配合，把相关内容带入智能体上下文并在运行中保持更新，智能体还能在有权访问的作用域内搜索、读取和写入页面。

Cloudflare推出面向个人智能体的流量分析与更细粒度的访问策略。此前站点只能把这类代表用户发起的自动请求笼统归入自动化流量，难以判断哪些智能体在访问、访问了哪些页面。新的安全分析把个人助理列为独立类别，并可按单个智能体筛选路径、状态码与来源网络；站点还能对每个受支持的个人智能体分别设定允许、仅在带广告页面拦截或拦截。

Cloudflare推出面向个人智能体的流量分析与更细粒度的访问策略。此前站点只能把这类代表用户发起的自动请求笼统归入自动化流量，难以判断哪些智能体在访问、访问了哪些页面。新的安全分析把个人助理列为独立类别，并可按单个智能体筛选路径、状态码与来源网络；站点还能对每个受支持的个人智能体分别设定允许、仅在带广告页面拦截或拦截。