🤖 AI 资讯晚报 · 10-18

本期 17 篇新命中里，真正高价值的内容集中在「AI 做科学」与「多智能体长时程」两条线：Anthropic 的 Mythos 5 用 53 小时自主设计出超越人类的量子电路，DeepMind 的 AlphaProof Nexus 把两项悬了 56 年的埃尔德什问题送进 Science 主刊，4 个 Gemini 智能体在无人分工的情况下 27 小时打通《我的世界》。值得注意的共同点是——三篇正文都自带「卸妆」数据：AlphaProof 的复杂架构被证明并非必需、ARC-AGI 榜分在标准 harness 下腰斩、Bolt 压缩后视觉能力一度归零。概述里都保留了这些限定。

🔥 必读

1️⃣ Mythos 5 自主设计量子电路：53 小时击败人类公开发表的最优方案

Anthropic 在 STEM Fellows 项目里给 Mythos 5 派了个纯自然语言的任务：化学、优化、物理模拟、数论四个领域的 8 个基础量子电路，自己设计。闭环全自动——模型写 Python 电路 → 评估程序按「量子位数 × 量子门数」打分 → 模型拿反馈自我迭代，全程无人插手。53 小时内，8 个任务全部超过人类公开发表的最优设计。

两个关键突破都来自它推翻人类的「不可能」判断。其一是模块化求逆的 divsteps 算法：量子电路不能丢弃中间分支信息（不可逆），人类因此认为这条路走不通；Mythos 5 放弃暴力试错，转而做纯数学推导，自主证出一系列新的代数恒等式，写出无需存储分支历史的可逆实现，并用 Lean 完成形式化——量子位只多 12%，量子门降 17 倍。其二是「解码量子干涉测量」（DQI）的解码器：谷歌用扩展欧几里得算法，被迫拉长回合数；它换成 Berlekamp-Massey，再用自写模拟器跑 4.03 亿次样本测出异常概率，只留 19 个量子位存储，门数降 12 倍（原来 1 小时的计算变成几分钟）。

⚠️ 两点限定：这是 Anthropic 自家披露的研究，未见第三方复现或同行评审；「53 小时 vs 人类数年」是比较口径的修辞——人类那「8 年」是把 FeMoco 模拟的 Toffoli 门从 50 万亿降到 3.4 亿的累计研究时间，不是单一工程的耗时。真正的信号是：模型开始在数学层面自己造工具，而不只是搜索人类已有的解法。

原文：新智元 · 刚刚，Mythos 5 破解量子计算重大难题！53 小时碾压人类数年

2️⃣ AlphaProof Nexus 登上 Science 主刊：9 项埃尔德什问题 + 44 项整数序列猜想，两项悬了 56 年

DeepMind 的 AlphaProof Nexus 给出了 9 项埃尔德什问题的证明，外加 44 项整数序列猜想；其中两道老题是埃尔德什与 Sárközy 在 1970 年提出的第 12 号问题的两个子问题，悬了 56 年。Science 同期配发的评论标题就是《研究数学的 AI 已经到来》。

第 12 号的技术路径值得一看：第一问要求选出无限多个整数，任意一个都不能整除另外两个更大的数之和。Nexus 按数值区间分组，跨组用中国剩余定理安排余数（让当前组的数都被某奇质数整除、后面组的数除以它余 1），组内再排除 1、3、5 这类三项等差结构；第二问则用反例推翻了「存在某个小于 1 的固定指数作为上界」的原猜想。证明公开后，陶哲轩指出「排除三项等差结构」这一步其实可以删掉，构造还能更简——AI 的证明成了同行继续做研究的起点，而不是终点。

架构上，多个证明 Agent 共享草稿，评审 Agent 比较哪份更清楚、更有新意，再决定把算力投给哪条路线；子目标可调用 AlphaProof，已证的子目标会被缓存复用。

⚠️ 但论文自带一组很硬的对照：去掉共享草稿的进化搜索、也不调用 AlphaProof，只用 Gemini 3.1 Pro + Lean 反复独立尝试，同样把那 9 道题全部解出；而单跑 AlphaProof 在同一组测试里一道也没解出。也就是说，在这 9 道题上「通用大模型 + 证明工具」的裸能力已经够用，复杂架构的边际贡献被论文自己打了问号。

原文：新智元 · 56 年没解开的题，AI 全解了！谷歌 DeepMind 新成果登上 Science 主刊

3️⃣ 4 个 Gemini 智能体自己组队，27 小时打通《我的世界》

DeepMind 把 4 个 Gemini 4 Argon 通用编码智能体扔进生存模式（Easy 难度、随机种子、地图零预勘探），27 小时 14 分击杀末影龙。论文 10 月 15 日已上 arXiv（《A team of Gemini 4 Argon agents beats Minecraft》）。

最值得记的不是通关，而是没有任何人给它们分工。给的全部家当只有两样：游戏内聊天频道和一份共享笔记。开局不到 10 分钟，4 个智能体自己在聊天里把活拆完——一个打工具、一个采食物、一个挖钻石、一个建下界传送门。它们不看画面、不按键，靠 Mineflayer 写 JavaScript 程序操纵角色：27 小时产出 2783 个程序（约每 35 秒一个）、只发了 229 条聊天消息（每小时 8 条，一句话背后十多个程序）。

长时程的硬指标是「出错之后」：全程共死 605 次（平均每两三分钟倒一个，末影龙决战一轮就倒下 69 次），没有一次撂挑子，每次都是自己诊断、重启、接着推。中途一个智能体注意到末影水晶在给龙回血，自己想出「在每根黑曜石柱旁堆泥土、爬上去一拳打碎水晶再挖下来」的打法；最后一颗水晶碎掉 39 分钟后龙倒下，补最后一刀的那个智能体血量只剩 2.5（满血 20）。

反作弊做得比多数论文扎实：2783 个程序、229 条聊天、世界快照、服务器日志全部存档，服务端禁用一切作弊指令，独立 Observer 智能体（专职裁判，不下场）+ 人工抽样审计，结论未发现作弊。⚠️ 「零人类干预」要说准确：全程配了实时仪表盘、研究人员可随时叫停，只是 27 小时里一次都没用上。对照 9 月 Vals AI 让 GPT-6 Astra 单打 141 小时——基地被苦力怕炸掉后它直接「emo」，转去种了好几小时土豆。

原文：新智元 · 刚刚，4 个 Gemini 死了 605 次，竟自己组队打穿《我的世界》！

📌 值得看

4️⃣ 英伟达开源 Nemotron 3.5 Bolt：740 亿参数压到 22.1GB，笔记本本地跑 Agent

英伟达开放了 Nemotron 3.5 Bolt 权重：740 亿参数（每 token 只激活约 90 亿），BF16 权重原本约 148GB，量化后 22.1GB（砍掉约 85%），瞄准 24GB 级本地部署。它的底子是同批发布的 1200 亿参数 Nemotron 3.5 Super VL，先压结构再从教师模型补课。

压缩过程有两个细节值得记：压完结构后视觉能力一度归零（ScreenSpot Pro 从父模型的 41.6% 掉到 0），团队用每轮约 660 万张图像重训视觉适配器才拉回 39.79%；随后专家权重压到约 2bit、其余保留不同精度，再用量化感知蒸馏追回精度。成绩：Terminal-Bench 2.1 拿 50.98%、BrowseComp 拿 66.75%，128GB 统一内存的 Surface Laptop Ultra 上约 84 tok/s。

对本地 Agent 最有意义的一点：Ollama 已经给出 OpenClaw、Hermes 等框架的接入入口——文件、工具和推理模型可以在同一台电脑上碰头。⚠️ 22.1GB 只是权重账单，还要给缓存、视觉模块、加速小模型留位置，32GB 内存只是规划起点，48–64GB 更宽裕。

原文：新智元 · 刚刚，老黄 RTX Spark 开卖！740 亿大模型塞进笔记本

5️⃣ 清华 THUNLP 开源 PilotDeck 2.0：给 Agent 分「工作舱」，白盒记忆 + 智能路由把成本砍到 1/6

清华 THUNLP 联合面壁智能、OpenBMB 推出开源智能体操作系统 PilotDeck 2.0（AGPL-3.0，支持 macOS/Linux/Windows 与 Docker）。核心架构以 WorkSpace「工作舱」为基本单位：每个项目有独立的文件系统、记忆库和技能集，物理隔离——A 舱剪音视频、B 舱写 iOS 游戏，上下文不会串台。

两个设计直击长跑 Agent 的痛点：记忆白盒化（生成、抽取、存储、调用全链路可见，记错了可以直接改、删，或一键固定重要信息，不必再写长 prompt 让它「忘掉」），以及 Dream 模式（空闲时后台归纳、去重零散记忆，弄丢细节可秒级回滚）。另有 Always-on 常驻执行，关掉窗口 Agent 仍在后台推进长周期任务，成果落地为本地文件并附进展报告。原生支持 MCP，Web / CLI / 企业微信 / 飞书后端行为一致。

成本是它最有说服力的部分：Smart Routing 把任务拆开、复杂决策给顶配模型、润色格式化降给轻量模型。自媒体社媒场景全流程跑 Opus 4.5 单次 $12.58，路由后 $2.83（省约 70%）；7 个复杂任务横评里，Sonnet 4.6 单体拿 69.1 分要 $18.36，Sonnet + MiniMax-M2.7 的「主强子弱」路由拿 70.6 分只要 $3.15（约 1/6）。Workbuddy Bench 上 Qwen3.6-35B-A3B 得 79.1，略高于 Claude Code 的 77.3。⚠️ 分数与成本均为团队自测口径。

原文：量子位 · 清华开源！智能体操作系统任务成本降 83%，AI 记忆可查可改

6️⃣ Scale AI 发布「人类第六感」基准：人类 93.1%，最强模型只有 53.6%

Scale AI 联合 Elorian 发布 Humanity’s Sixth Sense（HSS），专门考人类「一眼就有答案」的直觉式视觉推理——画面没有明说的因果、物理可行性、社会关系与隐藏规则（追公交的女人为什么突然慢下来、两车之间还塞不塞得下一辆、一排烧杯最后一个模糊标签是多少）。

数据设计很克制：522 道开放题（288 张图 + 234 段视频，共 17.6 小时），4 大类 11 子域；从 3466 道候选题里三轮独立审核只留 522（录取率 15.1%），淘汰主因正是「答案其实已经画在像素里」或「人类无法形成一致判断」。评分没有选项可排除，由 LLM 裁判按评分标准全条件通过才算对。

结果：20 名人类 93.1%；GPT-6-astra 开到最大推理强度只有 53.6%，其后 GPT-6.1-sol 46.6%、Claude-Opus-5.5 44.6%、Gemini-3.8-flash 41.6%，25 个模型中位数仅 30.9%。最有力的对照组是盲测——把图拿掉只给问题文本，astra 直接跌到 6.6%，说明考的不是语言套路。视频尤其难：25 个模型里 23 个视频分更低，平均降 7.3 个百分点。

原文：新智元 · 新基准开测「AI 第六感」！人类一眼秒懂，最强模型只拿 53.6 分

7️⃣ Anthropic 公开两份内部报告：Agent 工时已是人类的 6 倍，人类反倒成了最慢的一环

Anthropic 同日公开两份内部报告（员工认知调查 +《Anthropic 内部就业变化》），把一家顶级 AI 实验室的里子摊开。认知侧：1334 名员工平均认为四年后 AI 能做完自己 75% 的工作，同一问题问美国打工人只有 28%；91% 员工相信 2030 年前会出现诺奖级 AI 发现（58% 说 2027 年），公众只有 39%。

运行侧的数据更硬：今年 3 月，全公司 Agent（含后台自主任务）总工时首次超过全体人类员工；到 8 月，只算员工亲手派出的 Agent，工时已达人类的 6 倍，研究部门 19 倍——每个研究员身后跟着 19 个不休眠的 Claude。一个大部门的 Slack 里，Agent 会话从 150 个涨到 7922 个。工程师人均代码提交量涨到去年 12 月的 5.1 倍；4 月 Claude 清理陈年积压，一口气提交 800 多个修复，把一类 API 错误压到原来的千分之一（工程师估算换人要干 4 年）。

最有意思的副作用是瓶颈反转：按每分钟 250 词折算，工程与研究岗每人每周要读 424 小时的 Claude 输出，而一周只有 168 小时——交互会话里 Claude 约 80% 的时间在排队等人回话。于是人开始给 Agent 当经理：有人搭「幕僚长」Agent 分拣请求，常驻指令一年从几百条涨到 8500 条。⚠️ 全部为公司自述与内部口径，未经独立核实。

原文：新智元 · 刚刚，Anthropic 公开 4 年后的世界！造 AI 只剩 5% 留给人

📄 其他