AI 为何突然擅长数学：从提示序列与分支因子看模型解题方式
作者梳理 OpenAI 与 Anthropic 今年在数学开放问题上的进展，包括 OpenAI 对 Erdős 单位距离猜想给出反例、证明 Cycle Double Cover 问题，以及 Anthropic 对费马大定理的形式化工作，并提出用提示序列长度 k 与分支因子 b 预测模型能解哪类问题。
#推理
Latent SpaceAI 评分7575
MIT Technology Review · AIAI 评分2222 EXL 谈如何设计可持续演进的 AI 服务框架
EXL 提出企业 AI 的竞争优势正从选模型转向围绕模型构建的服务框架（serving harness），即架构、内存管理、调度与推理优化的工程系统。其主张先按业务负载确定约束再定架构，并以 KV cache 随并发与上下文增长导致的 GPU 显存瓶颈为例，强调先测量再优化。框架还应便于吸收新模型与新硬件，使换模型成为评估与配置决策而非架构重建。
Latent SpaceAI 评分2222 Moshi CEO Anekha Sokhal 谈为大宗商品交易员打造推荐引擎
Moshi 正在为大宗商品交易员构建一款推荐引擎，把市场信息与交易员持仓真正相关的部分连接起来。CEO Anekha Sokhal 将其形容为 Bloomberg、Claude 与 Netflix 的结合体：市场数据、可操作数据的界面，以及针对交易员定制的推荐。
MIT Technology Review · AIAI 评分1818 企业 AI 的新经济学：从 token 成本转向有效产出成本
企业 AI 的衡量重点正从 token 或 GPU 小时单价转向"每个有用产出的有效成本"，即完成可实际使用的工作所需的平台、模型、运营与容量总成本。企业可选择自建栈、按需消费或集成私有 AI 平台三条路径，HPE Private Cloud AI 将调度、模型选择、GPU 分区和 KV-cache 管理作为运营杠杆，并配套 90 天前置工程师服务。
The DecoderAI 评分6666 AI 可解释性是否接近突破？一篇新文章让研究者意见分裂
The Decoder 报道，OpenAI 前研究员 Cammarata 在一篇新文章中重新解读可解释性领域的经典案例，认为著名的猫脸与汽车共用神经元其实是 V 形检测器，而非叠加现象，并称在 Qwen3-32B 中约 90% 的神经元极点只有一个主要功能。
The DecoderAI 评分6060 Anthropic 的 Andrej Karpathy 称外界只看到 AI 能力的预览
Anthropic 的 Andrej Karpathy 把大语言模型用户分为四层：约 60 亿人几乎没接触过 LLM，10 至 20 亿人把免费版聊天产品当作更好的搜索引擎，约 2000 万数学和编码领域的专业用户已用智能体完成过去需数周乃至数月的复杂项目，而约 5000 人能接触内部前沿系统。
Latent SpaceAI 评分3434 为什么 AlphaFold 没有解决蛋白质折叠问题——对话 Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在 Latent Space 的一场对谈中指出，AlphaFold 的突破只是开始，蛋白质结构预测远未解决。
Latent SpaceAI 评分3030 Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk 谈“合成超级智能”：从半导体到超导体
Periodic Labs 联合创始人 Liam Fedus 与 Ekin Dogus Cubuk 在 Latent Space 播客中提出“合成超级智能”（synthesis superintelligence），主张 AI 科学发现不能只靠更多互联网数据训练，而要让模型在真实物理实验中学习。
Microsoft ResearchAI 评分2222 微软研究员 Jennifer Neville 谈 AI 评测的意外失败与数据洞察
微软 partner research manager Jennifer Neville 在 Microsoft Research Podcast 中探讨评测如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她指出结果反常时应仔细审视数据，并分享了使用当前 AI 系统的实用建议。
MIT Technology Review · AIAI 评分5050 别被 LLM 骗了：大语言模型并不会真正推理
前 Google DeepMind 研究员指出，LLM 靠逐个预测 token 生成答案，本质只是"系统 1"式的快速直觉，并非真正推理。他认为链式思维仍由同一套 next-token 预测产生，缺少可检视的显式认知状态、知识与推理的分离，且推理链常是事后编造。他主张借鉴 AlphaGo 的游戏树搜索架构，为 AI 建立可更新的认知状态，以实现可信推理。
Latent SpaceAI 评分3434 Latent Space 对话 MIT Alex Zhang：从 GPU Kernel 到递归语言模型 RLM
MIT 研究者 Alex Zhang 在 Latent Space 播客中详解其递归语言模型（RLM）工作，基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。