Skip to main content

AI Daily Digest: 黎曼猜想证明通过 Lean 全社区验证、Thinking Machines 循环架构塞进笔记本、GPT-6.2 SimpleBench 翻车 - 2026/11/21

· 7 min read
Yi Wang
Full Stack & AI Engineer

昨天的主题词是验证,今天验证本身有了答案。黎曼猜想发布仅 24 小时后,Lean 与 Mathlib 社区正式确认证明正确——人类历史上第一次,一份「没有任何人能读完」的数学证明通过了全社区机器检验;Thinking Machines 把「循环推理」架构做到 5.4GB 内存可跑在笔记本上;而综合榜第二名 GPT-6.2 在 SimpleBench 上的翻车则提醒我们:验证什么问题,和验证本身一样重要。

黎曼猜想:从「声明」到「验证通过」只用了一天​

昨天的 digest 里我们写道「在 Lean 验证完成前,这只是声明而非证明」。今天,这句话有了结局:Lean 与 Mathlib 社区发布联合声明(Lean FRO 与 Mathlib Initiative 背书),明确表示「我们有充分信心 Alpöge 的黎曼猜想证明是正确的」(HN 560 分)。

验证严格遵循 Xena 项目的四条准则:

  1. 命题本身正确:所证命题取自 Mathlib 中经专家审查的 RiemannHypothesis 定义——排除了「证明了一个变了味的黎曼猜想」的经典陷阱
  2. 编译可复现:数十人独立编译这份 1700 万行、约 239MB、17.5 万源文件的库,产出完全相同的 raw proof export
  3. 所证即所声称:用 comparator 与 con-leche 两个独立工具逐字比对,确认 Alpöge 库证明的定理与 Mathlib 的黎曼猜想陈述完全一致
  4. 证明逻辑有效:raw proof 由 Lean 官方 kernel 及多个第三方独立 checker(不同语言实现)检验,其中 con-leche/con-ron 自带「相对集合论不可能接受假证明」的形式化保证;所有检验在与源码隔离的惰性导出上运行,排除恶意代码

值得注意的是尺度转换:Alpöge 没有写传统论文——生成文本版超过 25 万页,他自己都称「不可读」——而是直接交付机器可检验的形式化库。数学证明的载体正在从「人类可读的论证」变成「机器可验证的对象」,而 Terry Tao 同日发文讨论 Unforced Navier-Stokes 奇点与广义黎曼猜想的关联结构(HN 518 分),说明数学社区已经开始围绕这份证明展开后续工作。AI 协作的数学从「有趣的新闻」变成了「已验收的基础设施」。

来源:Lean 社区联合声明、验证文件总览、HN 讨论(2026-11-21)

Inkling 2 Mini:把推理循环塞进笔记本​

Thinking Machines 发布 Inkling 2 Mini(HN 1295 分):一个 26.4B 总参、3.4B 激活的 MoE 模型,但每个 token 把模型中间层循环执行三遍(每 token 权重激活合计 5.4B)——用「复用深度」替代「堆叠宽度」。结果是它以不到 100B 的体量在 DeepSWE v1.1(48.2%)与 Vals Index v2.2(46.5%)上领先全部开放权重模型,NVFP4 量化后 5.4GB 权重即可本地运行。

两个更值得记录的实验发现:

  • 循环深度是推理计算的可调维度:配套发布的 variable-loop 研究模型显示,不写思维链的时间视野从单遍 16 秒升到三遍 37 秒;串行推理基准在十遍循环——两倍于训练时的深度——仍在提升,说明模型学到的不是「三遍的套路」而是可外推的迭代推理
  • 可监控性是核心论点:循环让模型「想得更久而不写下来」,CoT 随循环加深变短但保持可读,且 agentic sabotage 测试分数未随循环数上升。如果推理发生在权重复用里而非 token 流里,「读思维链做监控」这条安全路线需要新的锚点

同日发布的旗舰 Inkling 2 Small(594B 总参/17B 激活,主打 agentic coding 与视觉)则采用新发布节奏:先闭权重、待额外安全测试后数周内开放——开源实验室也开始给「开放权重」加安全测试窗口了。

来源:Introducing Inkling 2 Mini(2026-11-20)、Inkling-2-Mini in 5.4 GB Memory(社区量化,HN 155 分)

GPT-6.2 双雄在 SimpleBench 翻车​

综合榜第二名 GPT-6.2 Astra(BenchLM 91.1 分)和它的同门 Sol 6.2 在 SimpleBench 上双双翻车(HN 144 分、91 评论)。这个基准的设计初衷就是「高中生 vs SOTA」:非专业人类基线 83.7%,而目前最好的模型 Claude Fable 5.2 也只有 81.9%——全部前沿模型都低于一个高中生。题目考的是时空推理、社会智能和语言对抗鲁棒性(trick questions)。

教训和昨天 Lean 验证的故事互为镜像:分数的有效性取决于它测的是什么。综合能力分与朴素常识推理是正交维度,91 分的模型可能在常识题上输给榜单 81 分的竞品。给面向普通用户的产品选型时,别外推综合排行榜——用贴近目标人群直觉的对抗性小基准实测。

来源:SimpleBench、HN 讨论(2026-11-21)

arXiv:扩散 Transformer 的 RL 后训练其实是激活转向​

arXiv 2611.26627 给扩散模型的 RL 后训练提供了一个令人意外的最小解释:RL 后训练带来的能力提升(视觉质量、文字渲染、多物体组合)等价于激活转向(activation steering)——RL 学到的不是新的权重结构,而是可以在前向传播中以「偏置向量」形式注入的激活偏移。既然渲染文字、组合物体这些能力本质上是 prompt 依赖的,把它们定位为低维的激活方向调变,意味着后训练成果可能被抽取、迁移、甚至叠加,而不必每次都完整重训。这条结论如果在大模型上普遍成立,「微调即转向」会改变我们对后训练工程的成本模型。

快讯​

  • 纳斯达克抹平 2026 年全部涨幅:AI 板块抛售 dampens Anthropic 第二个交易日表现(The Guardian,HN 433 分)——昨天 +17.1% 的 IPO 狂欢之后,公开市场对 AI 定价的冷静期来得很快
  • DreamCoder:Mastering Emacs 作者推出的 coding harness 与 IDE(HN 260 分);ClawDOS:能跑在 DOS 上的 AI coding agent(HN 142 分)——harness 工程的边界还在往外扩
  • 价格日历:GPT-5.6 Sol 促销价今日截止;Gemini 4 Argon 介绍价 2/2/10 11 月 30 日到期,12 月 1 日起翻倍至 4/4/20;Gemini 3.8 Flash 1 月 1 日翻倍——预算规划盯日历,别盯发布会
  • LLM 逐字节读写可执行文件:仅凭十六进制 dump 直接编辑机器码的实验(HN 133 分)——「模型直接操作字节」的能力边界继续下探

本文由 AI 辅助整理,新闻与论文均附来源链接,欢迎在 GitHub 提 PR 补充修正。