全部 AI 动态

恶意 LLM 可能通过向推理引擎（如 vLLM、SGLang）发送特定 token 序列，利用其解析漏洞在宿主机器上执行任意代码。vLLM 曾因 CVE-2025-9141 漏洞，在 Qwen3 Coder 的 XML 工具解析器中对参数执行 eval()，导致任意代码执行。此类漏洞可被持久化利用，且开源权重模型与推理引擎的普及正扩大攻击面。

一位用户为完全掌控自己的Amazon Fire HD 10平板，花费266.15美元借助四个AI模型成功获取root权限。Kimi K3以164.25美元发现利用CVE-2022-38181的漏洞，GLM-5.2以21.90美元修复致命错误，GLM-5.3在80美元订阅首日一天内完成最终任务。整个过程中Kimi K3的会话长达621条消息，并自动重试超过500次。

Chubby♨️@kimmonismus

AI 评分 39/100

Lentils: I got y'all some outputs from "claude-melon-eap" and "claude-marshmallow-eap" 😉 They're really pushing 3D RL a lot, huh...

美国专家警告，学生长期依赖AI代写作业可能削弱自身思考能力。认知心理学家罗纳德·T·凯洛格指出，写作本身就是一种思考技术，机器代劳会让学生失去大脑训练。麻省理工学院研究发现，用AI写论文的人脑部活动更低，且难以回忆刚写出的内容；全美学校已开始限制学生使用AI。

OpenRouter 分析师 Peter Walker 称，2026 年 2 月 6 日可能是人类消耗 token 量最后一次超过 AI 智能体。此后智能体 token 用量增长 14 倍，从 0.51 万亿增至 7.3 万亿，而人类用量仅增长 2.8 倍。近 70% 的智能体 token 消耗来自缓存提示词，计费费率更低，实际成本增速低于原始数字。

斯坦福大学与 Together AI 的研究显示，本地 AI 模型在超过 100 万条真实查询中，对 89% 的日常聊天与推理问题回答质量已与云端前沿模型相当。本地模型对前沿模型的胜率/平局率从 2023 年的 23.2% 升至 2025 年的 71.3%，智能每瓦特效率同期提升 5.3 倍。相比全云端方案，本地模型加路由器的组合可削减 80% 能耗、77% 算力与 74% 成本。

Nvidia 新研究指出，在长时程任务中，模型外的“缰绳”（harness）比底层模型更重要。研究人员通过定制 harness 并加入“监督者”组件，让 Claude Opus 5 在交互推理基准 ARC-AGI-3 上取得 100% 满分，而无 harness 时仅得 30%。该研究还表明，OpenAI 上月通过调整 harness 设置使模型分数提升三倍，但均未达满分。

François Chollet@fchollet

AI 评分 39/100

NVIDIA AI: NVIDIA AVO continuously inspects, plans, implements, and evaluates, using memory, tools, and execution feedback to build...

jietang@jietang

AI 评分 31/100

Liam Fedus: An excellent history of scaling laws from @jietang. In 2020, we explored the limits of sparsity in Switch Transformers b...

Rohan Paul@rohanpaul_ai

AI 评分 31/100

陶哲轩新论文指出，AI 可能让数学证明变得充裕，而数学界尚未适应这种充裕。他认为数学正进入类似基础危机的动荡期，但这次被压力测试的是数学的价值与实践框架，而非真理基础。他主张必须将数学中未言明的目标（如何为贡献、何为理解、谁完成了工作）变得更加明确。

OpenAI 近期发布的一组数学难题解决方案在数学界引发巨大争议，促使多位顶尖数学家反思 AI 对数学领域的冲击。尽管 AI 在基础算术上仍表现糟糕，但在高端抽象数学上却日益擅长，这引发了关于数学家未来角色、学术资助价值以及 AI 实验室是否借数学炒作营销的深层质疑。

Rohan Paul@rohanpaul_ai

AI 评分 42/100

智谱创始人唐杰发文称，模型缩放已不止参数增长，参数量只是多个独立旋钮之一，数据、单次前向计算与后训练同样关键。他提出，将推理纳入优化目标后，最优解转向训练更久的小模型。作为验证，GLM-5.3 与 GLM-5.2 基础、架构、总参和激活参数完全相同，仅多花一个月扩展长时程环境与 RL，收益显著。

jietang: Thoughts About Scaling Law Scaling, but not only of parameters. Every model release now ends with the same question: how...

数学家陶哲轩在2026年国际数学家大会演讲中提出，数学界应如何回应具备研究级数学能力的AI工具。他主张搁置对AI能力的争论，转而审视数学研究真正的目标与价值，并以问题求解作为案例。他认为当前数学正经历类似20世纪初基础危机的动荡期，需将隐含的数学实践与价值规范显式化。

Opus 5.0 在 GitHub 上引发热议，其输出不连贯性问题被推向极致，获 111 个 HN 点赞。该版本在推理连贯性上出现明显退化，用户反馈其回答逻辑断裂、前后矛盾。目前尚不清楚 Anthropic 是否已针对该问题发布修复更新。

Thomas Wolf@Thom_Wolf

AI 评分 39/100

jietang: Thoughts About Scaling Law Scaling, but not only of parameters. Every model release now ends with the same question: how...

Chubby♨️@kimmonismus

AI 评分 40/100

智谱（GLM）创始人指出，AI 缩放并未结束，只是行业过度聚焦模型参数量。GLM-5.3 与 GLM-5.2 采用相同基础模型、架构和参数量，仅通过一个月额外强化学习（RL）训练便获得显著性能提升。缩放的关键在于训练数据、推理算力与后训练等多维度潜力，而非单一参数规模。

jietang: Thoughts About Scaling Law Scaling, but not only of parameters. Every model release now ends with the same question: how...

智谱创始人唐杰发帖阐述对Scaling Law的理解，称Scaling不只有参数量，还需结合数据量、算力分配与运行条件。GLM-5.3在AA指数拿到60分，较上代GLM-5.2的53分提升，基座相同，总参数753B、激活40B。唐杰认为，总参数量决定知识容量，激活参数与有效深度决定长程推理，Scaling正从追求更大数字转向寻找最优解。

《JAMA》发表评论文章预测，自主 AI 在医学推理上将超越任何医生与 AI 的组合，并呼吁监管者不要将人类介入写入规则。作者援引研究称，ChatGPT o3 在 377 个复杂病例中 60% 首先给出正确诊断，而 20 名内科医生仅为 15.9%；GPT-4 单独诊断推理得分 92%，使用同一模型的医生仅 76%。文章预计到 2030 年自主 AI 可胜任部分认知类医疗工作流。

智谱在 GLM-5.3 发布说明中自述，其网络安全能力“增长最快的恰恰是我们最落后的地方”。这家以 Z.ai 名义运营的北京公司，是少数几家发布可与海外模型竞争的中国实验室之一。该表态揭示了其在安全短板上的追赶策略，而非仅关注基准测试的头条分数。

AYi@AYi_AInotes

AI 评分 48/100

阿里 Qwen 开源 Qwen3.8-27B，在 Artificial Analysis Intelligence Index 拿下 52 分，与 DeepSeek V4 Pro（53 分）、GPT-5.6 Luna（52 分）等闭源旗舰同级，成为首个达到前沿能力的本地模型。

Cline: Artificial Analysis Intelligence Index puts Qwen3.8-27B at DeepSeek V4-Pro and GPT 5.6 Luna performance. This is the fir...

Rohan Paul@rohanpaul_ai

AI 评分 34/100

Gavin Crooks: Physics is going to be as cooked/cooking as math. I fed Claude an open problem in stochastic thermodynamics of the kind ...

Ethan Mollick@emollick

AI 评分 49/100

roon: @trq212 because the creative aspects we care about are at the level of intelligence rather than technique

Dongxi 东锡 NLP@dongxi_nlp

AI 评分 41/100

Jason Wei: When language models first started using tools well, I was sympathetic to the narrative that instead of scaling up langu...

测试时训练（Test-time training）让模型在使用中持续更新权重，而非训练结束后冻结。相比标准 Transformer，其内存需求从随上下文线性增长变为恒定，斯坦福研究显示推理速度最高可提升 2.7 倍，且 In-Place TTT 无需重训即可将 4B 模型提升至 128k 上下文性能。但代价是每个用户需独立模型副本，服务成本转向算力与芯片，更适合编码助手等个性化场景。

凡人小北@frxiaobei

AI 评分 35/100

响马: 科技进步的结果就是消灭中间层，每一轮生产力革命，都会让高智力劳动要求更高，低智力劳动要求更低。因为替代高智力劳动成本太高，替代低智力劳动收益太低。 所以不要尝试去做让中等智力劳动更高效的产品，因为那个劳动需求本身就会消失。

Elon Musk@elonmusk

AI 评分 34/100

Amjad Masad: 18x improvement in intelligence per joule in 16 months.

Rohan Paul@rohanpaul_ai

AI 评分 29/100

前谷歌高管 Mo Gawdat 指出，AI 正从学习人类发明的数学转向发明人类可学习的数学，人类作为顶级智能的时代即将结束。AI 已能通过递归自我发展不断改进自身方法，一旦机器能自主迭代优化，技术进步速度将远超人类正常科研节奏。

前沿模型正用世界知识换取推理能力：GLM-5.2 在 AIME 2026 达 99.2%，每 token 仅激活约 400 亿参数，而 Qwen3.5 9B 在 SimpleQA 上幻觉率高达 80-82%。

Rohan Paul@rohanpaul_ai

AI 评分 42/100

Ramp 数据显示，AI 支出前 1% 的公司人均月支出达 $7,500，而中位数公司仅 $12，差距约 625 倍。头部公司单日即可消耗普通公司全年 AI 预算。即便中位数公司仅小幅向头部强度靠拢，未来 2-5 年 token 消耗量也将大幅增长。

数学家 Timothy Gowers 和 Peter Sarnak 认为，大语言模型擅长组合已知方法并探索多条搜索路径，但缺乏在广阔搜索空间中挑选少数有效路径的直觉，难以产生真正的新想法。

作者认为，智能体工程的热潮掩盖了软件工程的核心：可调试、可维护、分层、可组合的代码仍依赖深思熟虑的推理，而这正是当前LLM的短板。LLM本质是预测而非推理，且无法区分好坏建议，存在提示注入等根本性缺陷。开源权重模型正让个人电脑具备相近能力，但工程的关键仍在于选择正确的抽象和管理认知负荷。

AI 解决数学难题的关键可能不是更强的推理能力，而是远超人类的工作记忆容量。人类工作记忆极其有限，而模型可将整个问题、中间方程和先前结论全部放入上下文窗口。多项儿童研究表明，工作记忆对数学表现的预测力独立于 IQ，这为理解 AI 的数学能力提供了线索。