IneqAgent：用符号计算与 MCTS 在 Lean4 中自动证明不等式
用 LLM 加符号计算在 Lean4 里自动证不等式，186 题解出 175 题，还顺手推进了两个猜想，数学形式化爱好者别错过。
全部动态
AI 相关资讯全量信息流 · 958 条
10月16日
NVIDIA Vera Rubin NVL72 首批基准成绩公布
NVIDIA 新一代 Vera Rubin NVL72 的跑分出来了，跑 DeepSeek V4 Pro 每兆瓦吞吐量是上一代的 5.7 倍，还刷出 906 tok/s 的单用户最快速度。
研究测试向 Qwen3.8-Flash 与 DeepSeek-V4.1 记忆模块写入知识的可行性
把知识写进模型记忆到底行不行？这篇论文在 Qwen 和 DeepSeek 上做了实测，命中率数据挺扎眼，做记忆机制研究的值得看数据。
Meta 开源 Muse Spark Open：816B 参数、1M 上下文、支持全模态输入
Meta 开源了 816B 的 Muse Spark Open，主打 1M 上下文和 Agent 任务，作者还算清了要跑起来得 700GB 显存，看看你的卡够不够。
MiMo V2.6 Pro 登顶 Agent Arena 开源模型榜首
小米 MiMo V2.6 Pro 超过 DeepSeek 登上 Agent Arena 开源第一，单任务才 $0.11，做智能体的可以看看这份榜单。
Microsoft MAI-Base-2 预训练完成，FLOPs 效率达 DeepSeek-V4-Pro-Base 的 4-12 倍
微软自家基座模型 MAI-Base-2 训完了，号称算力效率是 DeepSeek-V4-Pro-Base 的 4-12 倍，还顺手把省下的算力拿去训更大的模型。
Microsoft AI 称以 1/12 训练算力在代码任务上追平 DeepSeek-V4-Pro-Base
微软 AI 的 Mustafa Suleyman 说他们用少 12 倍的算力就在代码评测上追平了 DeepSeek-V4-Pro-Base，不过细节还没发，先看看数据再说。
NVIDIA 发布 Nemotron 3.5 Super VL，接入 LangChain Deep Agents
NVIDIA 开源了这个 120B 参数的视觉智能体模型，跑 LangChain 测试比 DeepSeek V4.1 Flash 快一半，做智能体的可以试试。
ElevenLabs 发布 Eleven v4，八语言盲测中听众认为其表现力更强
ElevenLabs 放出了自家 Eleven v4 和竞品的八语言盲听测试，听的人都说它读起来更有感情，做配音的可以去听听对比。
10月15日
OpenCode 向用户免费开放 DeepSeek V4.1 Flash
用 OpenCode 写代码的可以白嫖 DeepSeek V4.1 Flash 了，免费 200K 上下文，要 1M 才需要付费。
DeepSeek 服务恢复，疑似新模型上线，生成速度约 180 t/s
有人实测 DeepSeek 服务恢复后的新模型，速度 180 t/s，表现接近 Claude，可能是 4.1 Pro，想去试的可以看看。
研究拆解 LLM 网络威胁情报实体抽取失败模式：主要问题不是幻觉
DeepSeek-V4-Flash 和 GPT-6.1-Sol 抽实体都不靠谱，但坏的原因不是幻觉，而是把背景信息当成攻击实体。用置信度分层排审核优先级，别当真值。
DeepSeek V4.1 Flash 登上 AA-AgentPerf：GB300 吞吐达每 MW 2.61 亿 tokens
DeepSeek 新发的 V4.1 Flash 小了三倍反而更聪明，Artificial Analysis 实测 GB300 上每兆瓦能跑 2.61 亿 tokens，部署党值得看看硬件选型数据。
AMD MI355X 跑分出炉：Artificial Analysis 将其纳入 AA-AgentPerf 对比 NVIDIA
AMD MI355X 和 NVIDIA B200/B300 跑智能体工作负载的对比数据来了，DeepSeek V4 Pro 上每瓦吞吐反超 B200 最多 40%，但高负载下被拉开，想选卡部署的可以看数据。
AtomSearch：用证据驱动的树搜索优化 Agent 技能
一篇讲怎么高效改 Agent 技能规则的论文，AtomSearch 在 deepseek-v4-flash 上比 SkillOpt 高 9.68 个百分点，技能还短好几倍。
论文提出 Memory Echo 现象与 FPA 框架，修复智能体长期记忆失真
做智能体长期记忆的可以看看：论文发现同源旧记录会重复刷存在感，FPA 框架实测把准确率拉高近 10 个点，代码开源可复现。
arXiv 论文：证伪驱动的模型无关智能体协议，输出纪律决定决策下限
用中医辨证基准证明了件事：很多模型翻车不是能力不够，是输出纪律不行。他们设计的证伪协议能把 Kimi K3 的方差从 0.218 压到 0.007，写智能体的值得看看。
ANIS 框架为智能体生成原生桌面界面，成功率达 74.5%
给智能体设计界面这事有论文了，DeskIF-Bench 和 ANIS 都开源思路，做 agent 桌面自动化的可以看看怎么提分还省 73% token。
10月14日
Fish Audio 发布 Drama 3 Preview，登顶开源 TTS 排行榜
Fish Audio 的 Drama 3 把开源 TTS 拉到新高度，发音准确率压过 Eleven v4，价格还只有五分之一，权重直接能下载。
DeepSeek V4.1 Flash 在 ARC-AGI-3 得分 3.3%，评估成本 $878
ARC Prize 实测了 DeepSeek V4.1 Flash，ARC-AGI-3 跑出 3.3%，成本不到 1000 美元，目前性价比最好的一份成绩单。
10月13日
V4.1 与 Sol 6.1 表现出色，Haiku 依旧不在小模型赛道
V4.1 和 Sol 6.1 这轮表现都很能打，尤其 Sol 6.1 出乎意料，还顺带聊了 Haiku 和 Fable 5.5 的定位。
Recraft Studio 演示 AI 头像全流程：V4.1 Pro 加 Nano Banana 加 Seedance 2.5
Recraft 演示了一条三步头像工作流，从 V4.1 Pro 出图到 Seedance 2.5 成视频，提示词全公开，直接照抄就能跑一遍。
消息称 DeepSeek 将完成 1000 亿元融资，投前估值仍约 5000 亿元
DeepSeek 这轮融资从 500 亿直接翻倍到 1000 亿元，估值却没涨，新进来的全是吉利、中芯聚源这种产业资本，还能顺带看看它科创板上市的筹备细节。
Cognition 发布 FrontierCode 1.1 编程基准，Claude Opus 5.5 以 52% 居首
Cognition 的新基准看代码能不能被维护者真合并，最强模型也只有 52%，GPT-6.1 Sol 花十分之一的钱就追平 Claude，榜单数据很硬核。
Artificial Analysis 推出 FrontierCode 1.1 编程基准排行榜
Cognition 的 FrontierCode 1.1 排行榜来了，专测代码能不能被真实维护者合并。Claude Opus 5.5 拿 52% 居首，GPT-6.1 Sol 用十分之一的价格打平，开源的 MiMo-V2.6-Pro 也很能打。
Agent Arena 数据：开源模型 12 周追平 Claude Fable 5
LMArena 给出实测数据：Kimi K3 和 DeepSeek V4.1 Flash 用不到一成的成本追平了 Claude Fable 5，做 agent 选型前可以看看这份榜单。
Meta 发布 Muse Wonder 与 Muse Wonder Full，智能指数升至 52 和 56
Meta 六周内又发了新模型，智能指数涨到 56，代理类任务进步明显，比 Claude 便宜但比 GPT-6 贵，做 agent 的可以看看。