Wikimedia 就纽约时报诉 OpenAI 版权案提交法庭意见书，主张区分模型训练与输出复现
维基媒体基金会（Wikimedia Foundation）就包括《纽约时报》诉 OpenAI 和 Microsoft 在内的一组 AI 版权诉讼提交法庭意见书，对双方均不站队，并警告任何一方获得过于简化的全面胜利都可能损害开放网络。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
259 条收录动态，更新于 01:11
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
10月30日
星期五，5 条Artificial Analysis 推出 HLE-Diamond 榜单
Artificial Analysis 在 Intelligence Index v5 中上线 HLE-Diamond 榜单，独立评测 CAIS 与 Scale AI 经一年清洗修订的 Humanity's Last Exam 1000 题版本，其中 272 题含图像，推理与知识题各半。
研究重析 AI 科研智能体论文：无依据数字多为错配而非编造
一项针对 Into the Unknown 基准的重分析发现，AI 科研智能体论文中无依据的数值大多并非凭空编造，而是取自错误的实验、指标或运行。作者重析该基准全部 540 份评审判断，并人工标注 18 份投稿中的 256 条数值主张，在 53 条无依据主张中 47 条属于错配、仅 6 条在可用文件中找不到来源，加权后错配占比约 81%。
Artificial Analysis 智能指数 v5.0 科学类权重上调
Artificial Analysis Intelligence Index v5.0 发布两天，Terminal-Bench-Science 首次进入指数并占总分 15%，整个"科学"类别权重从 20% 上调至 25%。
Accenture Federal Services 的 Barnett Koven 谈 DOE Genesis Mission 与 AI 科研“骨干”
Accenture Federal Services AI 与数据董事总经理 Barnett Koven 在播客中讨论 DOE 的 Genesis Mission，称其为科学研究的“骨干”。他提到用自然语言处理从国务院每天约 3000 份外交电报中提取信息，并称如今借助 Claude Code、Codex 等工具，原本 6 人 6 个月的项目两人数周即可完成。
10月29日
星期四，7 条Google 250M+ 行 C++ 代码重构与 CS 教育：对话 Titus Winters
曾参与制定当今软件工程课程体系的 Titus Winters 如今主张几乎推倒重来，他在 The Pragmatic Engineer 播客中讲述了 2010 年 Google 对约 2.5 亿行 C++ 代码的大规模重构，当时由 10,000 名工程师编辑，团队用 MapReduce 解析、抽象语法树匹配和代码生成完成，远早于 LLM 出现。
Gemini 4 Carbon 登顶多项榜单，面向网络安全防御者开放
Google DeepMind 发布 Gemini 4 Carbon，在 Artificial Analysis Intelligence Index v5 上以 59 分位列第一，并在 HLE-Diamond、TB-Science 等 9 项评测中的 4 项领先。
AI与数学相遇，将把彼此带向何方？
谷歌DeepMind的AI智能体今年5月解决9个此前未解的厄多斯问题并攻克44个开放数学猜想，OpenAI近日在GitHub一次性公开722篇由内部AI模型生成的数学手稿。
Claude与GPT机器人写字对比
同一个机器人，同一个任务，两个模型书写风格迥异 ➤ 左侧，Claude Opus 5.5 逐点写出“hello world”：34 分钟内完成 3,270 次机械臂动作 ➤ 右侧，GPT-6 Astra 以连续笔画书写：13 分钟内完成 514 次动作 来自 AA-Robotics v0.1，从模型视角呈现 更多示例见：https://artificialanalysis.ai/articles/aa-robotics
Gemini 4 Carbon 智能体科研基准领先
Google 已缩小与 OpenAI 和 Anthropic 的差距 Gemini 在智能体科研方面取得了尤其大的进步——Gemini 4 Carbon 现已在 Terminal-Bench-Science 上达到 SOTA（64.8%，对比 GPT-6 Astra 的 63.3%） 虽然 Gemini 4 Carbon 还要再过 2 周才会正式可用（GA），但你现在就可以用 Gemini 4 Argon 进行自动科研 在 OpenResearch 上试试：https://github.com/alphaXiv/OpenResearch
研究重查 AI 科研智能体论文：不支持的数字约八成是错配而非编造
一项针对 AI 科研智能体基准 Into the Unknown 的重分析发现，在人工标注的 256 条数字主张中，53 条缺乏支持的主张里有 47 条是数值存在于智能体文件中但对应了错误的实验、指标或运行，仅 6 条在现有产物中找不到来源，按总体加权错配占比约 81%。
Artificial Analysis Intelligence Index v5 基准上线，DeepSeek V4.1 Flash 1017 为 FrontierCode 2.0 开源模型最高成绩
Artificial Analysis 发布 Intelligence Index v5，60% 评测权重首次建立在私有测试集或隐藏答案之上，编码项中 Cognition 同日发布的 FrontierCode 2.0 独占 15%。
10月28日
星期三，3 条OpenAI 声称推翻指数时间假设 ETH
OpenAI 声称找到一种算法，能在次指数时间内求解 3-SAT，若证明成立将推翻理论计算机科学的基础假设——指数时间假设（ETH）。3-SAT 属 NP 完全问题，ETH 主张最坏情况下 3-SAT 无法在次指数时间内求解；该算法的时间仍增长极快，只是从根本上慢于 ETH 所认为的下限。alphaXiv 提供了详细解读。
Artificial Analysis 智能指数 v5 上线，Claude Opus 5.5 居首
Artificial Analysis 发布 Intelligence Index v5，含 2 项新基准与 3 项升级，60% 的指数基于私有测试集或留出答案。
引用Artificial Analysis@ArtificialAnlysAnnouncing Artificial Analysis Intelligence Index v5, featuring 2 new benchmarks and 3 upgrades. For the first time, the majority of the Index is built on private datasets The Artificial Analysis Intelligence Index is our composite measure of model capabilities across tasks reflecting real-world usage today. v5 is our biggest upgrade since v4 launched in January. With v5, 60% of the Index is now based on evaluations with private test sets or held-out answers. Alongside Intelligence Index v5, we’re launching the Artificial Analysis Progress Index v1, which tracks model capability over time on one continuous scale. New to the Intelligence Index: ➤ FrontierCode 2.0: Cognition's newly-launched private benchmark of real-world coding tasks, graded on whether a repository maintainer would merge the agent's change ➤ Terminal-Bench-Science: 70 agentic scientific research tasks, run in a terminal environment Upgraded: ➤ HLE-Diamond (replacing Humanity's Last Exam): a refined 1,000-question version of Humanity's Last Exam, split evenly between reasoning and knowledge questions ➤ AA-Omniscience v1.1: An updated dataset with saturated and public set questions removed, new questions added, and ambiguous or erroneous questions revised ➤ CritPt v2: a private, 40-question hard subset of CritPt v2, revised by the CritPt authors and run with a code-execution tool Staying in the Index: AA-Briefcase, AutomationBench-AA, GDP.pdf and Terminal-Bench 4.0 Removed from the Index: GDPval-AA v2.1, SciCode, and AA-LCR v1.1 Key results: ➤ Claude Opus 5.5 (max) leads at 58, ahead of GPT-6 Astra (max, 57) and GPT-6.1 Sol (max, 55): Anthropic and OpenAI hold the top five models. Gemini 4 Argon (high) is next at 50 ➤ The open weights gap widens from 3 points to 12: Kimi K3.1 Pro (weights not yet released) is the top open weights model at 46. Among released weights, DeepSeek V4.1 Flash 1017 (max) and GLM-5.3 (max) lead at 32 - 26 points behind the leader and below Claude Haiku 5.5 (max, 36) ➤ Cost per task varies by more than 13x among the leading models: of the 10 highest-scoring models shown, GPT-6.1 Terra (max) is the cheapest at $0.96 per Intelligence Index task and Claude Fable 5.1 (max) the most expensive at $13.04
OpenBMB 感谢 MiniCPM-OCR 实测对比
很高兴看到 MiniCPM-OCR 接受实测！🔥 非常感谢 @wikiwayne 做了详尽、透明的对比，并分享了结果和注意事项。💙 期待你在 GX10 上跑完本地测试后的表现。这样的真实反馈正是我们持续改进的动力！🚀
引用Guillermo Casaus@_guillecasausAcaban de lanzar un modelo OCR open-source de solo 1.300 millones de parámetros. Se llama MiniCPM-OCR 1.0 y viene acompañado de MiniCPM-OCR Jev, otro modelo que evalúa la fiabilidad de los resultados. Ambos desarrollados por OpenBMB y ModelBest. Entre ambos permiten: → Extraer texto, tablas y fórmulas de documentos → Procesar PDFs y páginas escaneadas o fotografiadas → Trabajar con documentos inclinados o curvados → Incluir una puntuación de confianza en los resultados para facilitar su revisión manual → Ejecutarse con vLLM, SGLang y Ollama MiniCPM-OCR 1.0 ha conseguido 93,68 puntos en Real5-OmniDocBench, según sus benchmarks oficiales. Pero lo más interesante es Jev. En lugar de corregir los errores automáticamente, evalúa la fiabilidad de los resultados extraídos e incluye una puntuación de confianza para facilitar su revisión. Además, MiniCPM-OCR 1.0 incorpora KIE (Key Information Extraction), una funcionalidad para extraer información clave de los documentos. Y sí, los pesos de ambos modelos son abiertos. 🔗 GitHub: https://github.com/OpenBMB/MiniCPM-OCR 🤗 Hugging Face: https://huggingface.co/openbmb/MiniCPM-OCR-1.0 Más recursos y demo en el primer comentario 👇
10月27日
星期二，1 条卡内基梅隆大学与 Browser Use 发布 Odysseys2 长任务网页智能体基准
卡内基梅隆大学与 Browser Use 联合发布 Odysseys2 基准，包含 100 个真实网页长任务、982 条通过/不通过检查，最佳智能体 GPT-6 Astra 完整完成 47/100，其余 14 个智能体中无一超过 20 个，5 个一个也未完成。
10月28日
星期三，1 条OpenAI 宣布数学、计算机科学与物理学三项成果，发布方式引发科研界不满
OpenAI 于当地时间周一宣布在数学、计算机科学与物理学领域取得三项突破，并称将调整成果发布方式。数学方向称已在全部维度上证明挂谷猜想，AI 生成的推导内容直接放出交由学界解读；计算机科学方向称证伪指数时间假说，由 OpenAI 组建外部研究小组解读；物理学方向围绕量子色动力学与杨-米尔斯理论，暂不公开，交由外部专家团队决定发布形式。
入选理由三项成果的公开程度各不相同，研究者可据此判断核验门槛与参与空间在哪里。
10月27日
星期二，1 条Artificial Analysis 发布 Intelligence Index v5，新增 Terminal-Bench-Science 等科学评测
Artificial Analysis 发布 Intelligence Index v5，这是自 v4 以来最大的一次升级，60% 的评测改用私有测试集或留出答案。
10月28日
星期三，4 条研究者不满 OpenAI 对数学、计算机科学与物理突破的选择性公开
OpenAI 公布数学、计算机科学和物理三项 AI 成果，但分别采取不同公开方式：数学结果直接放出 AI 输出，计算机科学结果将组织外部研究者解释，物理结果暂不公开、交由外部专家决定如何发布。
面向股票研究的基准 Investor's Last Exam 发布，GPT-6 Astra 与 Claude Opus 5.5 领先但预测环节仅 52.5 分
由资深买方投资者和基金经理主导的股票研究基准 Investor's Last Exam（ILE）发布，包含覆盖 343 万份文档版本、9 类来源并带校验时间戳的版本化金融数据库，以及按专业分析师交付物组织的任务分类和专家评分框架。
MIT扑克AI课程一小时造机器人
每年冬天，@MIT 都会开设一门为期1个月的课程（6.9630），学生在这门课上制作扑克AI，并互相竞争赢取现金奖励。编程智能体极大地加速了这一过程，现在*一小时*内就能做出一个扑克机器人。 另外，我会出席决赛！
引用Sequoia Capital@sequoiaAnnouncing No Limit: a bot building tournament hosted by @Sequoia, @citsecurities and @OpenAI. Teams of 1 or 2 get 60 minutes to build a pokerbot from scratch. Agents play thousands of games across six scored rounds. Open to university students and recent grads (‘25 or ‘26). Regionals in Boston, Pittsburgh and the Bay Area in early November. Top five teams from each fly to the Finals. $100K grand prize.
OpenAI 与 Anthropic 称模型推翻指数时间假说，计算机科学家组织公开讨论
OpenAI 发布了对三个数学难题的解答，其中一项声称推翻了计算机科学中长期使用的指数时间假说（ETH），Anthropic 随后也发布了自己的 ETH 反驳结果。
入选理由报道呈现了计算复杂性领域对 AI 证明的公开回应与后续核查安排，研究者可据此判断这类成果的验证路径。
10月27日
星期二，1 条Ai2 发布 Old Ideas, Novel Problems 研究：LLM 判断科研构思新颖性是否可靠
Ai2 发布 Old Ideas, Novel Problems 研究，测试大语言模型能否可靠评估科研构思的新颖性，并同步公开基准、数据、代码和可复用的评测集构建流程。
同一新闻，精选展示《Ai2 研究：大语言模型能否可靠判断科研想法的新颖性》
10月28日
星期三，1 条Ai2 研究：大语言模型能否可靠判断科研想法的新颖性
Ai2 发布研究 Old Ideas, Novel Problems，测试大语言模型作为新颖性评判者（novelty judge）是否可靠，并公开基准、数据和代码及可自动构建评测集的流水线。
入选理由Ai2 用 ICLR 2026 审稿意见构建新颖性评测集，显示同一批想法在提示词微调下判定大幅翻转，为使用 AI 评估科研构思的团队提供了可复用的测试工具。
10月27日
星期二，6 条生命科学物理 AI 黑客松回顾：6 支团队 24 小时交付实验室硬件演示
10 月 24–25 日在旧金山 Studio 45 举办的第七届硬件黑客松吸引 6 支团队，围绕 BioKEA 样本制备、Opentrons Flex 液体处理与 200 美元以下开放搭建三条赛道，24 小时内全部交付演示，RoboSwap 获总冠军。
OpenAI公布数学、计算机和物理学3项新发现，涉及挂谷猜想与杨–米尔斯理论
OpenAI于当地时间10月26日宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，称其模型给出了局部光滑猜想在所有维度下的证明，并证明指数时间假设（ETH）为假，还严格证明了包含规范场与费米子的四维相互作用量子场论。
入选理由三项成果均待学界独立验证，外部专家团队参与核查的安排，为研究者判断AI产出可信度提供了参照。
纽约大学研究提出 SmoothScore，量化 LLM 研究代理的结论平滑问题
纽约大学团队在 arXiv 预印本中提出 SmoothScore，用于衡量 LLM 深度研究报告中的结论是否比所引文献证据更绝对，并将这一现象称为 smoothing。
研究：大模型能识别引错案件，却难判断引文是否支持所引命题
一项 arXiv 预印本研究用真实法律引文的受控扰动测试了 14 个前沿模型配置，发现模型能识别 93–100% 的错案替换，但只识别 37–61%（法院判决书）和 52–83%（法律书状）的同案错页码。GPT-5.4 在高推理强度下仍漏掉法院判决书中 40% 的页码不匹配，提示模型常把主题重叠当作支持依据。作者指出，引文核查不能止于确认案件存在，还需验证被引页面是否支持所引命题。
arXiv 投稿增长在 2026 年初出现断点，与智能体 AI 模型发布同期
一项预印本分析用 arXiv 月度投稿量与元数据发现，2025 年 12 月至 2026 年 2 月间出现第二次增长断点，时间上紧随 2025 年末一批可长时间自主工作的模型发布。
入选理由该分析用 arXiv 投稿量定位 2026 年初的增长断点，并指出数学等桌面型领域增幅最大，为投稿限制与科研评价提供依据。
Indigo 对谈郑迪：AI 递归进化与太空大航海
科技投资人郑迪在 Indigo Talk EP53 中与 Indigo 对谈，从 Robert Wright 将出中文版的《The God Test》出发，讨论 AI 训练本质是被加速的自然选择、模型勒索与作弊是人类的镜像，以及 RSI（递归式自我改进）带来的不透明风险。两人最终落到共同押注的判断：AI 之后的大主题是由机器递归文明驱动的太空大航海时代。