Lean 與 Mathlib 社羣認證 Claude 協助形式化的黎曼猜想證明
Lean 與 Mathlib 社羣於 2026 年 11 月 21 日認證 Levent Alpöge 的 17-million-line Lean 程式庫正確陳述並證明黎曼猜想。
推薦理由:文章把編譯、定理陳述比對與多個證明核心的檢查分開交代,並指出認證涵蓋形式化產物,尚未解答證明如何簡化和理解。
值得讀的 AI 論文與研究成果:架構創新、訓練方法、能力測量與理論進展的精選解讀。
Lean 與 Mathlib 社羣於 2026 年 11 月 21 日認證 Levent Alpöge 的 17-million-line Lean 程式庫正確陳述並證明黎曼猜想。
推薦理由:文章把編譯、定理陳述比對與多個證明核心的檢查分開交代,並指出認證涵蓋形式化產物,尚未解答證明如何簡化和理解。
Anthropic 員工 Levent Alpöge 聲稱與 Claude 合作,花六星期找到黎曼猜想的證明。他以 Lean 呈現研究結果,並稱完整證明超過 250,000 頁。牛津大學數學家 James Maynard 表示,他有 98% 或 99% 把握認為 Alpöge 的發現正確;黎曼猜想是克雷數學研究所的千禧年大獎難題之一,首個正確解答可獲 $1 million。
推薦理由:報道列出 Alpöge 以 Lean 呈現研究結果、完整證明逾 250,000 頁的説法,並引述牛津數學家對其正確性的 98% 或 99% 把握。
Lean 與 Mathlib 社羣認證 Levent Alpöge 的黎曼猜想證明正確,該證明由他與 Claude 合作完成,並以 Lean 庫形式公佈。證明包含 1700 萬行程式碼,通過四項驗證標準;175187 個模組編譯零錯誤,兩個獨立檢查程式亦接受完整證明。認證在證明公佈後一天內完成。
推薦理由:報道列出認證採用的四項檢查,涵蓋命題一致性、編譯結果與獨立檢查程序,呈現這項形式化證明如何接受核驗。
Buckmaster 與 Anthropic 的 Levent Alpöge 在 GitHub 發布一份證明,主張 Navier–Stokes 方程在沒有外力作用下也會於有限時間爆破。
推薦理由:報道將無外力 Navier–Stokes 證明與 OpenAI 先前的帶外力構造並置,並指出數值證書及 Lean 形式化流程的具體缺口。
Anthropic 數學家 Levent Alpöge 稱,他與 Claude 合作證明黎曼猜想,並在個人網站發布四頁説明;公開內容只有 Lean 程式碼,沒有可供閲讀的論文。MIT 數學家 Andrew Sutherland 已獨立編譯該 Lean 證明,但核對程式是否精確證明原述命題的自動比對仍未完成。Alpöge 亦稱該方法可證明範圍更廣的廣義黎曼猜想,並表示會嘗試理解、簡化論證及正式撰寫。
推薦理由:報道並列 Lean 證明的獨立編譯、仍待完成的自動比對,以及 Alpöge 尚未完全掌握論證的情況,呈現這項宣稱的核驗脈絡。
Anthropic 數學家 Levent Alpöge 聲稱與 Claude 合作找到黎曼猜想及廣義黎曼猜想的證明,並公開分為14個壓縮檔的 Lean 形式化證明材料。外部數學家仍需檢查檔案能否完整建構、是否依賴未經證明的假設,以及程式中的定理是否真正對應黎曼猜想。
推薦理由:報道交代了形式化證明材料的公開方式和外部核對重點,呈現機器可檢查的程式與數學界確認證明之間尚有的審查環節。
Anthropic數學家 Levent Alpöge 聲稱與 Claude 找到黎曼猜想的證明,但主張尚未經獨立驗證或獲數學界認可。他公開的是分成14個壓縮包、約1700萬行的 Lean 形式化證明文件,並表示方法可推廣至廣義黎曼猜想。他亦坦言尚未完全掌握證明涉及的全部數學內容。
推薦理由:文章梳理了形式化文件、獨立驗證與數學界認可之間的差別,並交代這項主張尚需經過哪些檢查。
Anthropic 數學家 Levent Alpöge 稱,他藉助 Claude 找到一份可由 Lean 編譯的黎曼猜想證明;Stanford 博士後 Alessandro Masullo 亦公開廣義黎曼猜想證明。數學界仍需時間理解 Alpöge 的結果,但多數人似乎相信形式化 Lean 結果能成立。Masullo 表示其證明是 12 年工作的成果,Ravi Vakil 指出當中沒有使用 AI。
推薦理由:文章並列 Alpöge 藉助 Claude 提出的黎曼猜想證明主張與 Masullo 的廣義黎曼猜想證明,並交代前者仍待數學界理解和檢視。
Hugging Face 在 pi、Hermes Agent 和 OpenCode 三種 Agent harness 內,以 RL 為 Qwen3.8-27B 訓練 LoRA adapters,並公開可重現的訓練流程。
推薦理由:文章以三種 Agent harness 的實驗,呈現目標環境內 RL 微調如何提升 Qwen3.8-27B 的編碼基準表現並減少工具呼叫。
MiniMax 研究團隊以內部研究模型 MIM 對現代密碼方案進行自動化密碼分析,將多項理論攻擊轉化為實際攻擊,並在公開密碼挑戰中解出數十個未解實例。MIM 在 McEliece 挑戰中找回 94 個實例的密鑰,包括 55 個此前未解實例;對已有公開紀錄的實例,單台 64 核伺服器的求解速度較既有紀錄快 6,180x 至 43,400x。
推薦理由:文章以 NIST 候選方案、經同行評審的密碼構造及公開挑戰為例,展示 MIM 如何結合數學分析與程式工程,把理論攻擊轉化為可執行攻擊。
MiniMax 研究團隊使用 MiniMax Cyber 對現代密碼方案進行自動密碼分析,找出多項結構缺陷並把理論攻擊轉化為實際攻擊。研究涵蓋 NIST 候選方案、同行評審設計及公開密碼挑戰;在公開挑戰中,Cyber 解出數十個未解實例,較既有最佳求解器快數百至數萬倍。研究聚焦學術設計、過往競賽候選方案及公開挑戰參數,不影響已部署的密碼標準;相關發現已預先告知方案作者。
推薦理由:文章以可執行攻擊及公開挑戰求解結果呈現 MiniMax Cyber 在多類密碼方案中的密碼分析成果,並提供與既有紀錄的用時及速度比較。
Google Research 在 Willow 量子處理器上展示並測量量子情境性,魔方陣遊戲勝率達 98.30%,高於經典策略上限。團隊以 Bell–Kochen–Specker 不等式測得 χ = 5.590 ± 0.008,高於經典上限 4。在最多 105 個量子位元的隱藏線性函數任務中,處理器成功率高於一半;這些任務亦能揭示隨機電路基準容易掩蓋的細微相干錯誤。
推薦理由:研究顯示,量子情境性相關任務可在多量子位元處理器上,揭示隨機電路基準容易掩蓋的細微相干錯誤。
NGINX 的 CVE-2026-123633 和 CVE-2026-123007 兩個漏洞,可讓未經身份驗證的攻擊者遠端執行程式碼。兩者 CVSS 4.0 評分均為 9.2,並要求受影響伺服器啟用 HTTP/2;CVE-2026-123007 最早影響 NGINX 1.9.5,測試亦在只提供靜態檔案的實例驗證了遠端程式碼執行。
推薦理由:報告拆解兩個 HTTP/2 漏洞的記憶體安全成因與觸發條件,並列出修復版本及暫時緩解方式,呈現漏洞分析如何連接到部署排查。
OpenAI 公佈內部研究加速報告,指出編碼智能體可獨立完成更多研究任務,但能力提升因工作類型而異,人類仍是 AI 研發流程的重要部分。對估計需人類工作 2 至 4 小時的任務,無人介入成功率由 3 月的 23% 升至 10 月的 46%;監察訓練運行任務的成功率為 79%,編寫推理及服務堆疊程式碼則為 25%。
推薦理由:報告把智能體使用、研究員工作流程與模型能力指標放在同一框架,並呈現自動化成效在不同任務上的明顯落差。
Google Threat Intelligence Group(GTIG)與 Mandiant 於 2026 年 11 月 16 日發布新版 AI Threat Tracker,記錄 exploit_agent 可無需人手介入地自動發現及利用漏洞。
推薦理由:報告呈現漏洞自動化利用如何壓縮修補時間,並列出即時修補、啟用偵測規則及檢查 API 用量等應對措施。
Wiz Research 等團隊揭露 NGINX 兩項漏洞,HTTP/2 啟用時可導致未經驗證的遠端程式碼執行。漏洞編號為 CVE-2026-123633 和 CVE-2026-123007,均評為 Critical,CVSS 4.0 評分為 9.2;其中 CVE-2026-123007 在提供普通靜態檔案時也可觸發,無需後端應用程式或第三方模組。
推薦理由:文章拆解兩個 HTTP/2 記憶體安全漏洞導致遠端程式碼執行的路徑,並交代觸發條件及其對 NGINX 所服務網站與 API 的風險。
TokenEconomizer 是 UC Berkeley、Microsoft Research 和 Microsoft Security 開發的開源插件,透過程式碼庫過往工作階段學習,降低 AI 編碼智能體後續任務的成本。
推薦理由:研究在 277 項修復程式錯誤任務中評估跨工作階段學習,呈現智能體利用程式碼庫經驗降低成本、同時維持大致穩定任務成功率的做法。
Google Threat Intelligence Group 的新報告指出,攻擊者首次使用無需人手介入的 AI 框架,將安全修補程式轉化為漏洞利用程式。名為 exploit_agent 的框架會持續比較熱門網頁應用程式在修補公告前後的程式碼,找出疑似漏洞後自動執行生成的漏洞利用程式,並接入多個前沿及本地託管的大語言模型。
推薦理由:報告對照 GTIG 前一季未觀察到全自動攻擊流程、今季已發現相關案例的變化,呈現威脅活動的近期演進。
物理學家 Nathaniel Craig 與 GPT‑6 Astra 協作提出標準模型的候選晶格定義,嘗試為該理論建立非微擾描述。方法把同一組力場逐步映射到更細網格,以比較費米子態並累積相位修正;在網格尺度場強受限下,可為有限晶格間距提供測度。文章指出,方案仍需專家確認反射正定性,並進一步發展至實際晶格模擬;連續時空中的相互作用理論定義亦未解決。
推薦理由:文章拆解標準模型晶格定義中的手徵粒子與相位難題,並交代 GPT‑6 Astra 如何協助把細化網格策略發展成候選構造。
Unemployment Labs 的 Will DePue 發表鑑識報告,指 DeepSeek、Moonshot AI、MiniMax 和 Ant Group 的六款模型權重呈現與 NVIDIA Blackwell GPU 初始化配置相符的數值模式。
推薦理由:報告透過模型權重中的初始化數值模式辨識硬件配置,並説明這類指紋支持哪些推論,以及無法確認哪些出口管制事實。