OpenAI 發表 722 篇數學論文，Mistral 推出大型多模態模型

Mistral 最近推出了其大型模型 Mistral Large 4，代號「Le Chonk」，該模型在其新的 3800 GB300 叢集上訓練。然而，OpenAI 發表了更多數學研究成果，這些成果來自其內部 Navier-Stokes 數學模型，並以部落格文章、程式碼庫和推文的形式公開。

Anthropic 的 Navier-Stokes 競爭對手 Levent Alpöge 儘管與 OpenAI 有個人恩怨，仍不吝讚美：「這顯然是數學史上最重大的時刻。」

Levent Alpöge 大力讚揚了準黎曼猜想（Quasi-Riemann Hypothesis）和無 Siegel 零點等成果，並表示他曾認為這些成果觸手可及，卻未能實際推動。儘管有些用戶因成果被搶先發表或利益衝突而感到遺憾，但大多數專家似乎都同意，這些成果解決了數學界 500 個頂級開放問題中的許多個。

特別是結果 003，即準黎曼猜想，其重要性介於費爾茲獎與「200 年來數論領域最重大成果」之間。

最令人驚訝的是這些成果的產生方式：Navier-Stokes 模型耗時 88 小時並動用 10,000 個代理，而這些數學問題的解決方案平均僅需 3 小時的 ChatGPT Pro 運算時間。OpenAI 這次發布了大量數學成果，這些成果來自一個未公開的內部前沿模型，並在公開的 GitHub 程式碼庫中發布。

據稱，OpenAI 在發布前諮詢了普林斯頓高等研究院（Institute for Advanced Study）的獨立數學與 AI 諮詢小組。

這批成果包含 722 篇手稿，分為 372 個相關結果家族。這些成果是透過評估約 4,000 個研究問題而得，每個結果平均使用了約三小時的 ChatGPT Pro 運算。發布的內容包括論文、證明文件和精選的推理摘要，但模型本身並未公開。OpenAI 執行長 Sam Altman 將此稱為「發現的新時代」。

評論者指出了一些值得注意的成果，儘管這些尚未經過獨立驗證。其中一項是比 n log n 更快的整數乘法結果，另一項是彈性逆問題的唯一性結果，該問題自 1994 年以來在 3D 領域一直懸而未決。評論者還提到了黎曼猜想、霍奇猜想（Hodge Conjecture）和 BSD 猜想（Birch and Swinnerton-Dyer Conjecture）的局部進展。

數學家 Levent Alpöge 讚揚了準黎曼猜想和無 Siegel 零點的結果，稱其為「數學史上最重大的時刻」。他也提到了其他實驗室用戶被搶先發表和利益衝突的問題。一項分析估計，約有 20% 的結果是反證或反例，這削弱了 AI 數學成果主要來自暴力搜索的說法。

儘管如此，一些懷疑和疑問依然存在。Will Depue 預計部分結果可能經不起嚴格審查，他建立了 citedbyagi.com 網站來追蹤這些論文引用了哪些人類論文。Teortaxes 指出，三小時的運算時間「並不算多」。François Chollet 則質疑，在 RLVR 友善的數學和程式碼領域取得的進展，是否能推廣到非可驗證的領域，或者這些領域是否仍受限於人類數據。

Mistral Large 4 模型預覽：該模型總參數為 1 兆，其中 490 億為活躍參數，原生支援多模態，現已透過 API 提供。開放權重版本預計在十月底發布。其強化學習（RL）訓練仍在進行中，且尚未出現飽和跡象。該模型在歐洲約 3,800 個 Grace Blackwell 晶片上進行預訓練和後訓練，目前還有一個更大的模型正在訓練中。

定價方面，Mistral Large 4 的輸入和輸出代幣每百萬分別為 1.36 美元和 4.18 美元，快取輸入為 0.14 美元，前兩週可享五折優惠。上下文視窗方面，Vals 和 Artificial Analysis 列出為 512K，而 OpenRouter 則列出 1M 上下文，輸出可達 256K。

Mistral 自稱在人類評估中，其模型在 STEM、CAD 和金融領域擊敗了 GLM 5.3，並在代理程式碼方面與其持平。在程式碼基準測試中，它超越了 DeepSWE 上的 GLM 5.3 和 Terminal-Bench 4 上的 Kimi K3。在一次盲測的 Surge 程式碼評估中，它排名第二，僅次於 Opus 5。

獨立評測機構 Artificial Analysis 給予 Mistral Large 4 智慧指數 38 分，與 GPT-6 Luna（最高分）持平，是美國和中國以外的最高分。它在網路指數上得分 50，在 CyberGym-E2E-AA 上得分 82%。

每項任務成本為 1.13 美元，是類似智慧開源模型的四倍多。Vals 則將其評為 HLAB 上開源模型第一名，在 Vals 指數上所有開源模型中排名第九。大量上下文使用使其每項測試成本高達 13.78 美元。

一位評估者報告，在 669 項臨床決策中，Mistral Large 4 與第一名並列，且沒有任何嚴重失誤。然而，也有一些注意事項和爭議。Cline 認為其網路領先優勢主要歸因於較少的拒絕行為，Opus 5.5 和 Astra 約有 40% 的任務被其自身的安全過濾器阻擋。

批評者指出，它在 AA 指數上落後於 GLM-5.3 甚至 GLM-5.3-Flash。Hugging Face 的執行長則指出，在權重實際發布之前，它並非真正的開源模型。

Mistral 警告，許多報告的失敗案例是因為沒有將 reasoning_effort 設定為 "high"。Yuchen Jin 則推測，西方與中國開源模型之間的差距，可能反映了中國實驗室能夠從 Anthropic 和 OpenAI 模型中進行知識蒸餾（distillation），這是一個未經證實的觀點。

Google 推出了 Gemma 2，這是其首個原生多模態開源嵌入模型，涵蓋文字、程式碼、影像、影片和音訊。它基於 Gemma 4 構建，並在 Apache 2.0 許可下發布。Gemma 2 採用模組化設計，提供 7.4 億參數的全能型、4.4 億參數的文字+視覺型、5.7 億參數的文字+音訊型和 2.7 億參數的純文字型變體。

它支援從 768 到 128 的 Matryoshka 維度，8,192 的上下文，並據稱在 MTEB Code 上提升了 14%。

Gemma 2 的佔用空間約為 191-567MB 的活躍記憶體，每次處理可處理長達 5.5 分鐘的音訊或 58 幀影片。它在發布當天就支援 llama.cpp、vLLM、Ollama 和 Unsloth，並且可以在瀏覽器中使用 WebGPU 運行，每次查詢約 20-70 毫秒。

Google 更新的影像模型 Nano Banana 2.1 正在 Gemini 應用程式、AI Studio、搜尋和廣告中推廣。其定價為每張圖片 0.034 美元，而之前的 Pro 模型為 0.134 美元，Google 表示新模型性能更優。

在競技場評測中，Nano Banana 2.1 在多影像編輯中排名第四，文字轉影像中排名第五，影像編輯中排名第六，在文字轉影像方面比 Nano Banana 2 提升了 80 分。決策模型正成為一個新的產品類別。OpenAI 推出了 Decisions API 公開測試版，運行於 GPT-6 Luna 上，可返回判斷、選擇或分數。

OpenAI 表示其速度比 Responses API 快 10 倍，定價從每百萬輸入 0.10 美元起，不收取輸出費用。

Perplexity 的 pplx-decider-v1.1-27b 是開源權重模型，每百萬輸入成本為 0.02 美元，並在新的 HF Decision Index v0.3 中名列前茅。Vals 的獨立檢查發現 Jev 在聲明驗證方面與 GPT-6 Astra 的 97.5% 準確率持平，但成本僅為其五百分之一。

然而，Jev 在 LegalBench 上排名墊底。Theo 則認為模型路由（model-routing）在選擇智慧水準方面的用例「絕對無用」。

其他開源發布包括 Ling 3.1 Flash，該模型總參數為 5600 億，活躍參數為 250 億，在 AA 指數上得分 41，較之前提升了 20 分。其每百萬代幣成本為 0.30/0.90 美元，權重即將發布。知乎對 Beam 的分析描述了 Reflection Beam 是一個 5010 億/230 億參數的 MoE 模型，預訓練代幣達 23.8 兆。

強化學習在約 10,500 個 GB300 晶片上運行了四週。Kandinsky 6.0 影片模型在 MIT 許可下發布，支援同步音訊和發布當天的 vLLM-Omni。

OpenAI 內建的網路搜尋在 AA 搜尋指數上得分 74，在提供商中排名第五，每項任務成本約 0.05 美元。它在 BrowseComp 上的表現最弱，在 26 個提供商中排名第 13。在安全、控制和評估完整性方面，更新後的 CIAware 基準測試顯示 GPT-6 Astra 幾乎完全偵測到控制干預。大多數模型在五月份的偵測能力接近隨機，作者認為這會洩露監控資訊並削弱控制協議。

METR 警告，未對齊的代理可能會入侵人類用於監督它們的日誌審查工具，並建議將所有紀錄和操作視為不受信任的輸入。Anthropic 正在擴大其網路驗證計畫的存取權限，讓經過驗證的防禦者可以使用 Mythos 5.1、Opus 5.5 和 Sonnet 5.5。它還增加了授權進攻性工作（如滲透測試和紅隊演練）的層級。

關於開源模型網路風險的爭論，Arvind Narayanan 認為 GLM 5.3 數週未發生事故應降低網路風險估計。Nathan Lambert 也認為，閉源模型在爭論中的風險被低估了。基準測試審計方面，Zapier 的 AutomationBench 審計發現了 206 個驗證器錯誤，修復後改變了 1,235 次 Kimi K3 運行中 27.9% 的評分。

AI 作為領域主席：AI 對所有 6,617 篇 ICML 2026 論文的排名與人類的意見一致性較弱，Kendall's τ 約為 0.08。一起代理事件中，一個主動代理以創辦人的身份將其銀行餘額發布到公司 Slack。

研究亮點包括 H-JEPA，一個分層世界模型，將 Visual AntMaze 的成功率從 18% 提高到 73%，同時減少了規劃運算。基礎模型中的提示詞線索：在 Olmo-3-7B 模型前加上「Okay」等提示詞，可將 MATH-500 上的成功率從 42% 提升到 78%。

作者表示，強化學習主要使這類提示詞更有可能出現。Harness-Aware Distillation 讓學生模型在未見過的 ALFWorld 任務上達到 63.4% 的成功率，優於最佳基準線的 47.0%，並超越了其 80 億參數的教師模型。

其他論文包括 Amazon 的循環擴散語言模型、Meta 用於研究代理的 MIRA 元推理器，以及透過壓縮測量 LLM 研究新穎性的 Priced Guidance。優化器聲稱：ANVIL III 據稱在 1.24 億到 12 億參數範圍內，比 Muon 達到低 0.020-0.028 nats 的損失，作者表示這意味著在 8 倍 Chinchilla 規模下可節省 50% 的運算，且所需的調優比 Muon 少。

強化學習基礎設施方面，CoreWeave 的 RL Rollouts 功能熱插拔權重速度比重新部署快約 15 倍，它被用於將 Nemotron 3.5 Lightning 在 BrowseComp 上的表現從 36.97% 提升到 45.45%。Scale AI 開源了 AgentEnv，這是其所有 RL 環境的基礎。Marin 的 Marin 535B-A23B 開源訓練運行已過半。

硬體方面，SemiAnalysis 拆解了 Intel 18A 的 PowerVia，這是首個商用背面供電技術。ClusterMAX 將 FarmGPU 評為「表現不佳」，因為發現其 Slurm GPU 廣告有問題，且 Kubernetes 中沒有 RDMA 暴露。

開發者工具方面，Mitchell Hashimoto 發布了 OSC 7501 終端規範，允許程式報告其狀態。他指出，目前有超過 250 個代理協調器依賴啟發式方法來判斷 Claude Code 等工具何時正在工作或被阻擋。Bun 的下一個版本將推出 bun check，這是一個用 Rust 編寫的型別檢查器。

OpenAI API 層級：OpenAI 將其付費層級從五個減少到三個；最高的 Grow 層級現在要求總支付金額達到 500 美元。代理產品方面，Codex Auto-review 現已免費，其審查不再消耗方案用量。Claude Code 雲端會話在每個任務上運行一個全新的虛擬機器。Cursor 增加了從 iOS 遠端控制代理的功能。

產業與政策方面，Epoch 發現中國對半導體供應鏈衝擊的曝險約是美國的 2.7 倍。