OpenAI 发布内部模型产出的 722 篇数学论文，含准黎曼猜想结果
Latent Space AINews 汇总：OpenAI 公布内部前沿模型产出的 722 篇数学论文（372 个结果族），覆盖约 4000 个研究问题，平均每个结果约 3 小时 ChatGPT Pro 算力，其中准黎曼猜想（Result 003）被数学家 Levent Alpöge 称为数学史上最重要时刻，结果尚未经独立验证。
#论文/研究
Latent SpaceAI 评分7373
MIT Technology Review · AIAI 评分4444 MIT Technology Review 报告：如何为企业 AI 智能体连接企业知识
MIT Technology Review 基于 300 位数据、AI 及技术高管调研的报告指出，缺乏知识是企业 AI 智能体项目难以落地的主要原因，平均仅 34% 的 agentic 项目进入生产环境。
Latent SpaceAI 评分4646 AINews 日报：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿
OpenAI 发布 GPT-6.1 Sol，定价 $2/$10 per million input/output tokens，在 DeepSWE v1.1 上超 GPT-6 Sol 6.4 分、在 AutomationBench 上超 Opus 5.5 2.2 分；Agent Arena 排名 #5，每任务中位成本 $0.56，比 GPT-6 Sol 便宜 39%。
Microsoft ResearchAI 评分4343 Microsoft Research 用机器学习预测电网空间天气风险
微软研究院开发了一套机器学习系统，可对美国本土 66,935 座变电站提供位置级空间天气风险预测，提前 30-60 分钟预警地磁感应电流（GIC）风险。该系统结合 L1 点太阳风观测、AE 和 Dst 指数预测及本地地质电导率数据，其中 Dst 预测在 2020-2026 评估期峰值活动时段有 62.2% 的小时数优于 Burton 方程。
Microsoft ResearchAI 评分5454 Microsoft 在 Physical AI Toolchain 中推出机器人推理卸载能力
Microsoft Research 宣布在开源的 Physical AI Toolchain 中新增推理卸载能力，支持用 Kubernetes 在机器人、边缘和云端 GPU 间容器化部署和编排机器人 AI 工作负载。
Microsoft ResearchAI 评分5050 Microsoft Research 发布逆合成模型 RetroChimera 并开源实现与权重
Microsoft Research 在 Nature 发表逆合成预测框架 RetroChimera，结合基于 Transformer 的 R-SMILES 2 与基于 GNN 的 NeuralLoc 两个互补子模型，通过学习式重排序融合预测。
Berkeley AI ResearchAI 评分4444 Berkeley AI Research 提出 ABBEL：让 LLM 更新信念状态以高效应对长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要表示为自然语言信念状态，并用信念评分监督其信息内容，以替代传统递归摘要的完整交互历史。在 CollabBench 协作编程任务上，基于重构的信念评分（ABBEL-rec-BG）将与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值 token 长度远低于全上下文的 14.08×10²。
Berkeley AI ResearchAI 评分4242 GRASP：面向更长时域世界模型的梯度规划方法
Berkeley AI Research 提出 GRASP，一种针对学习型世界模型的梯度规划器，让长时域规划变得实用。其核心改进包括：将轨迹提升到虚拟状态使优化在时间上并行、在状态迭代中直接加入随机性以支持探索、重塑梯度以获得干净的动作信号。该方法旨在解决长时域 rollout 中雅可比矩阵条件数随时间指数级缩放导致的梯度爆炸/消失以及非贪心损失面局部极小等问题。
Berkeley AI ResearchAI 评分4545 BERSE 提出 SPEX 与 ProxySPEX：大规模识别 LLM 影响性交互的可解释性算法
Berkeley AI Research 介绍 SPEX 和 ProxySPEX 两种算法，利用稀疏性、低阶性和层级性等结构特性，把 LLM 特征、数据和模型组件归因中的交互识别转化为稀疏恢复问题，规模比以往方法提升数个数量级。ProxySPEX 借助层级结构，用约 10x 更少的 ablation 达到与 SPEX 相当的性能，并在长上下文特征归因任务中保持高 faithfulness。
Berkeley AI ResearchAI 评分4444 Berkeley AI Research 提出基于信息量的成像系统设计与评估框架
Berkeley AI Research 在 NeurIPS 2025 论文中提出一个直接基于信息含量评估和优化成像系统的框架，仅需带噪测量数据和噪声模型即可估计互信息。该方法在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证，信息估计可预测解码器性能；据此优化的设计达到与最先进端到端方法相当的效果，同时所需内存和计算更少，且无需针对任务设计解码器。