722份手稿372个成果族17个分支:OpenAI亮出数学科研硬实力

722份手稿372个成果族17个分支:OpenAI亮出数学科研硬实力

10月7日,OpenAI交出了一份沉甸甸的前沿数学研究成绩单:依托内部未公开的前沿模型,团队累计产出722份数学手稿,覆盖372个数学成果族(所谓“成果族”,指的是围绕特定数学方向形成的一组关联结论,包含主定理、推论、特例与延伸问题,具备完整的研究体系性),其中部分证明已完成Lean语言的形式化验证。

一边是成体系的数学成果集中披露,一边是核心模型秘而不宣,这波操作,展示了AI辅助数学研究的新突破,也透着OpenAI清晰的技术布局逻辑。

一、从“做题”到“造成果”:AI数学能力的量级跃迁

在大众的认知里,AI做数学还停留在“解竞赛题”“刷IMO真题”的阶段——本质上是求解已有标准答案的题目,考验的是模型的解题技巧。而这次OpenAI披露的成果,已经跨过了“解题”的门槛,走到了“产出研究级结论”的阶段。这意味着AI不再只是跟着题目的条件走,而是能在一个数学分支内成体系地探索、推导并产出新的结论。

这批成果的生成路径本身也具备规模化特征:团队先向模型输入了约4000个开放研究问题,再按研究重要性、结论完整性筛选出372组核心成果,最终整理为722份手稿。据OpenAI披露,平均每个结果的推导,消耗约相当于3小时ChatGPT Pro思考的算力。

二、覆盖17个数学分支:完整领域分布与核心方向

根据OpenAI官方仓库的学科分类,372个结果家族完整覆盖17个数学与交叉科学方向,并非单点突破,而是呈现全面开花的态势。从最抽象的数理逻辑到偏向工程应用的偏微分方程,模型的能力覆盖了现代数学的绝大多数主干分支,完整分布如下:

领域 结果家族数量 核心研究方向
理论计算机科学 40 计算复杂性、近似算法下界、图着色复杂度、矩阵乘法算法、去随机化
组合数学 37 极值组合、拉姆齐理论、离散几何、图论猜想、组合不等式
代数与复几何 36 代数几何、霍奇理论、复分析、阿贝尔簇、曲面模空间
数论 31 解析数论、丢番图逼近、黎曼ζ函数零点、希尔伯特第十问题、超越数论
微分几何 29 黎曼几何、辛几何、标量曲率不等式、流形浸入、闭测地线问题
概率与统计力学 29 自旋玻璃模型、渗流理论、随机场、统计物理相变、随机图
数学物理 25 相对论流体方程、量子海森堡模型、安德森局域化、玻色-爱因斯坦凝聚
算子代数 19 冯·诺依曼代数、C*代数、因子同构问题、非交换几何
代数学 18 交换代数、同调代数、群环零因子、表示论、不变量理论
拓扑学 18 代数拓扑、几何拓扑、流形嵌入、同伦猜想、纽结理论
实分析与复分析 16 调和分析、挂谷猜想、复动力系统、函数不等式、拟共形映射
偏微分方程 16 纳维-斯托克斯方程、Vlasov-Maxwell系统、色散方程、正则性问题
凸几何与度量几何 15 凸体几何、Mahler猜想、度量嵌入、几何不等式、填充问题
群论 14 几何群论、有限群表示、群代数结构、拟等距刚性
动力系统与遍历理论 12 哈密顿系统、遍历性、台球问题、熵猜想、反应网络
泛函分析 11 巴拿赫空间理论、算子理论、度量熵、凸分析、逼近论
数理逻辑 6 可计算性理论、集合论、模型论、证明复杂度、图灵度刚性

其中成果数量超过25个的六大核心领域,贡献了超过六成的结果家族,也是本次突破性成果最集中的方向。

Continue reading 722份手稿372个成果族17个分支:OpenAI亮出数学科研硬实力→

大模型的“自我进化”

大模型的“自我进化”:递归自我改进(RSI)到底是什么?

如果你关注近两年的AI进展,大概率会有一种明显的感受:大模型变强的速度越来越快,而“人力参与”的比重却在越来越低。

从前,提升一个模型需要人工标注数据、人工设计奖励、人工调参、人工写提示工程。而现在,前沿研究正在走向一个全新的范式——模型自己生成训练数据、自己评估输出质量、自己优化系统流程、自己迭代能力边界。

这就是当下AI领域最火热的方向之一:递归自我改进(Recursive Self-Improvement, RSI)。它是下一代大模型的重点研发方向之一。

一、什么是递归自我改进?

递归自我改进并不是一个全新的概念。早在1965年,I.J.Good在提出“超级智能”设想时就指出:如果一台机器能在所有智力活动上都超越人类,那它自然也能设计出更好的机器,进而形成自我迭代的反馈循环。

但在大模型出现之前,这更多是科幻和哲学层面的讨论。直到今天,我们才第一次在工程上看到了落地的可能。

递归自我改进,指的是AI系统利用自身的智能,去改进产生这种智能的机制本身,并形成可持续迭代的闭环。

这里有一个关键的区分标准:

  • 普通自我修正≠RSI:推理时对输出进行反思、修改、润色,只是优化“答案”,没有改变模型的能力底层,这叫“有界自我优化”。
  • 真正的RSI:优化的是“生成答案的能力系统”——比如训练数据、奖励机制、模型架构、智能体流程等。每一轮迭代后,系统本身变强了,下一轮就能站在更高的起点上继续改进。

按照2026年最新的综述研究,当前的自我改进可以沿着两个维度划分:改进对象(部署行为、训练策略、评估器、研究过程)和闭环程度(人在回路→半自动化→全闭环)。而我们常说的“递归自我改进”,特指那些闭环程度高、改进对象触及能力生成机制的系统。

Continue reading 大模型的“自我进化”→

JEV:专为机器决策而生的AI模型

JEV:专为机器决策而生的AI模型

近期AI领域诞生了一款打破传统范式的模型——JEV(也被称作System One模型)。它跳出了通用大模型“逐字生成文本”的固有路径,不靠对话交互、不做内容创作,却凭借超高推理速度、极低运行成本、原生结构化决策输出的特性,快速成为AI Agent、业务自动化、智能风控等场景的核心刚需。

不少小伙伴会有疑问:JEV到底是什么?它的训练逻辑、适配任务和通用大模型有何本质区别?为什么它能在高频工业级场景中展现出远超传统LLM的表现?本文将逐一解答这些问题,帮你快速掌握这款新型决策AI的能力边界与适用场景。

一、JEV核心定义:不“说话”,只做决策的专用AI模型

通用大模型(如GPT、Claude、DeepSeek、Qwen等)的核心能力是开放式文本生成,主打“语义理解+内容创作+自然交互”,适配人机对话、文案创作、复杂逻辑推理等场景。而JEV是一款面向机器自动化的结构化概率决策模型,官方对它的定义是:unstructured state in, typed probabilistic decisions out(非结构化状态输入,带类型的概率化决策输出)。

Continue reading JEV:专为机器决策而生的AI模型→

大模型中转站中间人攻击解析与防御

大模型中转站中间人攻击解析与防御

在当下AI全民普及的时代,大语言模型(LLM)、AI编程助手、智能Agent已深度融入企业研发、自动化运维、个人办公全场景。GPT、Claude、Gemini等顶级模型能力强大,但官方API普遍存在收费昂贵、网络访问受限、调用门槛高等问题。

在此背景下,各类第三方大模型中转服务快速崛起。它们以低价普惠、免特殊网络、全模型聚合、高速稳定为宣传卖点,用极低的使用成本、极简的操作界面,吸引了海量个人开发者、中小企业用户。

便利与低价的背后,是绝大多数用户忽略的致命安全隐患。在使用第三方中转站时,本质是在无条件信任一个完全不受自己掌控的中间人。不同于普通的网络服务中转,大模型中转站拥有对用户请求、模型响应的完整读写、篡改、伪造、截留权限。

这也让大模型中转站中间人攻击(LLM MITM)从理论风险,变成当下AI安全领域最普遍、隐蔽性最高、破坏力最强的现实威胁。它早已突破传统网络窃听范畴,升级为语义层投毒、业务层渗透、系统层控权的复合型高级攻击。

Continue reading 大模型中转站中间人攻击解析与防御→

大模型“岗前特训”:大模型微调(LLM Fine-tuning)

大模型“岗前特训”:大模型微调(LLM Fine-tuning)

如今大模型已经全面走入产业落地场景,从智能客服、行业知识库到专属AI助手,几乎所有垂直场景的大模型应用,都绕不开一个核心环节——模型微调。

很多人都有疑惑:明明可以用提示词(Prompt)、RAG检索就能让大模型适配业务,为什么还要费力做微调?事实上,Prompt存在能力上限、泛化性差、人工成本高的问题,RAG只能解决外部知识补充问题,无法改变模型的底层生成逻辑、风格习惯和领域认知。而微调,是让通用大模型真正变成「行业专属模型」的核心手段。

Continue reading 大模型“岗前特训”:大模型微调(LLM Fine-tuning)→

大模型“瘦身术”:大模型量化(LLM Quantization)

大模型“瘦身术”:大模型量化(LLM Quantization)

过去几年,大语言模型凭借超强的理解、生成与推理能力,彻底引爆了AI行业。但强大能力的背后,是大模型难以回避的“三高痛点”:高算力消耗、高显存占用、高推理延迟。动辄数十亿、上百亿参数的大模型,看似智能无比,却极度依赖高端服务器、旗舰显卡,普通用户的电脑、手机根本无法运行。

想要打破算力壁垒,让大模型走出实验室、走进普通设备,就必须用到大模型领域的核心轻量化技术——模型量化(LLM Quantization)。它堪称大模型的“瘦身术”和“万能压缩包”,是解决AI低成本部署、终端落地的关键技术。今天我们来介绍一下大模型量化技术。

Continue reading 大模型“瘦身术”:大模型量化(LLM Quantization)→

【转载】Karpathy LLM Wiki

2026年4月,前OpenAI创始成员Andrej Karpathy提出了一种新的个人知识管理新范式,核心是让大语言模型(LLM)充当 “知识编译器”,将零散原始资料(文章、论文、笔记等)自动生成结构化、可持久化、能复利增长的 Markdown 维基知识库。

它采用 Raw Sources(原始资料)、Wiki(LLM 生成的结构化知识库)、Schema(规范配置)三层架构,区别于传统 RAG 的 “运行时检索”,LLM Wiki 提前处理知识并持续维护更新,形成高密度互联的知识图谱(交叉引用的 Markdown Wiki),人类仅负责资料收集与判断,大幅降低知识维护成本。

Continue reading 【转载】Karpathy LLM Wiki→

大模型时代学习方法小结

最近和几个朋友聊天的时候,大家稍微总结了一下大模型时代要如何快速学习,汇总了几个典型的方式:

方法1:在你有一定了解的领域,把AI当做有无限耐心的老师,无限提问法
1、当你想深入了解一个事情的时候,可以用清晰的命令描述好自己的问题,去多个AI同时发送该问题。
2、对每个AI反馈的内容进行初筛,最终保留2~3个候选AI
3、用靠谱的那个AI,去进一步咨询自己想理解的问题
4、不断的拓展问题的广度和深度,在这个过程中,最好记录一个思维导图,对于想进一步理解的点,做好标记
5、用适合自己的学习方式,把这些知识点逐一搞清楚
6、当AI不断说车轱辘话的时候,先更换说书,后尝试备选AI
7、一个不理解、但很重要的知识点,多发给几个AI,让他们交叉验证
8、请AI把整个过程的资料,梳理为笔记或思维导图
其实大家可以看到,知识面比较广的、求知欲强的、能提出好问题的、有一定较真精神的人,在AI时代会有更多的优势

Continue reading 大模型时代学习方法小结→