在英语考试之外， 数学竞赛 ，尤其是像 袋鼠数学（Math Kangaroo）这样的国际赛事，正成为越来越多家庭教育中的“流量密码”。哈佛、MIT、牛剑等名校不仅看重语言成绩，更喜欢那些拥有逻辑思维、建模能力和国际竞赛经历 的学生。

除了我们开头提到的智能体的能力变化，报告还测试了当前主流的几家大模型的能力。例如，像o3这样的前沿模型在METR任务上的表现一直高于趋势水平，翻倍时间快于7个月，在9个基准测试的翻倍时间中位数约为4个月（范围为2.5至17个月）。

2023年成立的中国AI初创公司月之暗面，刚刚发布了其最新重量级产品Kimi-K2。 这是一款参数规模高达一万亿的开源大模型，以挑战GPT-4.1和Claude Sonnet 4为目标。

近期由港中文和华为诺亚实验室联合提出的 ReliableMath 基准，旨在探究大模型推理任务的可靠性。该工作文章和数据集均已开源，并持续在 leaderboard 上更新最新模型结果，目前已新增了 Qwen3、豆包、Gemini ...

布鲁金斯学会（Brookings ...

一周AI大事：Grok 4硬刚GPT-5，英伟达市值破4万亿美元,英伟达,马斯克,谷歌,吴恩达,机器人,grok ...

论坛的一大亮点是两大国际数学实验室中国首发。由菲数中国与西班牙国家数学科学委员会（ICMAT）联合发起的两大国际高水平数学实验室将首次在中国揭牌，普陀区人民政府将共同参与见证。实验室聚焦数学与智能融合的基础研究，致力于打造国际科研合作新平台。

日前，月之暗面正式发布新一代MoE架构基础模型Kimi K2，并同步开源。据了解，Kimi K2总参数达1T、激活参数为32B，同时也是月之暗面发布、并开源的首个万亿参数模型。 据悉，目前月之暗面方面已开源 Kimi ...

在 PersonQA 基准测试中， o3 会在 33% 的问答中出现幻觉 ，几乎是o1（ 16% ）的 2 倍， o4-mini 的幻觉率更是高达 48% ，远高于此前发布的推理模型。

我们从小就知道一句至理名言，“学好数理化，走遍天下都不怕”，并且深以为然… 每年高考报志愿，基本都是文科生最失落的时候，大部分专业基本都是只对理科开放，而毕业后，理科生的就业压力也远远低于文科，可见，在现在这个社会，无论学习研究，还是日常工作，大家基本形成了一个或许并不正确的共识，数理化的能力基本意味着个人能力。 同理，这种共识也用到了AI研发上… ...

该研究系统性评测了 LLMs 反思技术的失败，发现这种现象在多个 LLMs、多种任务上广泛存在，甚至先进的推理模型（ChatGPT o4-mini-high）在基本事实问题（「Is Earth ...