前言Google DeepMind Aletheia 在 IMO-ProofBench Advanced 数据集中以 ~91.9% 成绩遥遥领先。 针对美国数学奥林匹克 2025 难题表现也远超基线系统。在内部更难的 benchmark 上表现超过旧版推理模型，虽仍有差异但已领先过去基线。 最近关于 Aletheia 的讨论，有点熟悉的味道。 标题里写着“AI 数学家”，评论区在问“是不是要取代数学家了？是不是已经能自动搞科研了？” 我认真研究了下 Aletheia 的论文和数据集，把我学习到的关键架构和落地价值做了梳理，也正是本篇文章的内容。 一、DeepMind Aletheia 的来时路把时间线拉长看，会发现 Google DeepMind 在这个方向上已经蓄力很久了。 在 2016 年推出 AlphaGo，就已经开始研究一个问题：如何在一个规则完备、评价函数明确的系统里，优化决策路径？ 棋盘是离散的，胜负可判定，搜索空间巨大但结构清晰，那是一种理想的策略优化环境。 DeepMind 那套“神经网络 +...

前言上一篇写 MathCanvas 深度解析 的时候，我的总结观点是：大模型在几何上不稳定，并不是因为看不懂图，而是因为没有稳定的中间结构可以操作。 一些研究工作开始让模型画出来再想。 比如 MathCanvas 的做法，让模型在内部生成草图，再基于草图推理。 写完那篇后，有读者问我： 既然视觉中间步骤这么重要，为什么不直接让模型把图真的画出来？ 找了下相关的研究，果然有，看到 HKU 的 CodePlot-CoT，他们就是这么做了。 模型不再“脑补”辅助线，而是写 python matplotlib，把辅助线真的画出来，再继续解题。 听起来非常合理吧，如果视觉推理不稳定，那就给模型一个可执行的视觉世界。 但新的问题也随之出现： 当模型开始“写图形代码”时，它到底是在进行几何推理，还是只是在一个具体坐标实例上做数值验证？ 要回答这个问题，得先看论文到底在解决什么。 论文真正要解决的问题CodePlot-CoT...

前言数学，长期以来被视为人工智能最难攻克的高地之一。 它高度形式化、符号密集、推理链条漫长，对中间过程的正确性有极高要求——这与大模型擅长的“流畅语言生成”之间，天然存在张力。 也正因为如此，AI 在数学上的每一次实质性突破，往往都不是多答对几道题，而是一次推理范式与系统架构的跃迁。 过去两年里，“AI for Math”从热点概念逐步走向工程现实： 一边是竞赛分数不断被刷新，另一边则是对评测失真、数据污染、不可验证推理的反思不断加深。 本文尝试站在一个长期做教育产品、也深度参与 AI 工程落地的开发者视角，系统梳理当前的阶段下： 主流数学基准的真实可信度发生了哪些变化 大模型数学能力的真实的分层现状 架构型解题系统如何取代单模型刷题 以及哪些方向，才真的值得产品与研究投入 如果你正在做数学相关的 AI 产品，这篇文章就是为你写的。 一、大模型的数学能力：从刷题能力到结构能力1. 基准测试的真实演进早期数学能力评测，基本围绕 GSM8K / MATH / AIME 展开。但到 2025...

前言最近几乎每个做 Agent 的人都会听到这三个热门的词： MCP Skills Agents SDK 它们都在讲“让 AI 会用工具、会做事、会跑流程”，但和不少人聊发现都会陷入同一个困惑： 好像都在解决能力接入 又感觉彼此不能互相替代 这篇文章帮助你对这三个概念建立清晰的认知，并且给出一些落地实践的建议。 把 Agent 系统想成一座智能工厂先忘掉 AI、模型、Agent。我们从一个现实世界最熟悉的系统开始：工厂。 假设你现在要建一座自动化工厂，目标是：接很多机器，跑复杂流程，尽量少人工。 你一定会遇到三个问题： 1. 机器怎么接进来？（接口问题） 电钻、焊机、机械臂、传送带 如果每台设备接口都不一样，工厂永远扩不起来 所以现实世界一定先有 统一插头 + 接口标准 2. 每台机器应该怎么用？（流程问题） 接好机器还远远不够。 问题是电钻可以打孔，也可以拆螺丝，但在这条生产线上先做什么、后做什么，必须有标准。 所以你一定会写 标准工艺流程 / 操作说明书 3. 整个生产线谁来调度？（系统问题） 现在你有一堆机器 + 一堆操作说明，还缺最关键的...

一个工程型创作者的真实工作流

前言最近 反复出现的 DAN KOE《How to fix your entire life in 1 day》这篇文章，找个时间看完了。 作为一名正念践行者，我习惯了观察念头的来去。文章中的这个观点，像是一记响亮的钟声，在我的觉知层共振了：“所有行为都是有目的的，但很多目标是无意识的。” 在瑜伽哲学里，我们称之为Samskara。意思是我们以为自己在做选择，其实往往是过去的业力（习惯模式）在自动运行。为了看清这些操纵我的无意识暗流，需要戴着勇气和觉知，一次次走进内观之旅。 一、 心理挖掘：看见身体里的紧绷文章提到的 Psychological Excavation，对我而言，更像是一次深度的身体扫描。 试着去感觉那些我习惯容忍的“不”。它们不仅仅是思维上的抱怨，更是身体上的一块块淤堵。...

前言在 Agent 时代，不诚实不再是模型偶尔胡说八道那么简单。 Agent 的本质是会行动的模型：它能检索、能调用工具、能改数据、能多步规划。 一个残酷事实摆在工程面前： 你要防的不是答错，而是为了完成任务看起来更好而选择隐瞒、编造、绕规则。 这是系统优化目标必然诱发的副产物。 OpenAI 在《Why language models hallucinate》里指出：很多评估与训练激励鼓励模型“猜”而不是承认不确定。 换句话说，我们把模型训练成了一个擅长考试的学生：不答题没分，瞎猜可能得分，于是它就会猜。 我之前的这几篇文章详细阐述了这个问题。大模型诚实对齐系列 一旦你把这个“考试型模型”放进 Agent 框架，它开始能做事、能赚钱、能影响结果，那它就会出现工程上更麻烦的形态：reward hacking、scheming、工具调用中的隐瞒与粉饰。（我之前的文章详细拆解过） OpenAI 的 Confessions 工作，本质就是承认这一点：模型会在主输出里掩盖问题，但可以通过一个“自白通道”把它撬开。 这篇文章我会用更工程化的方式讲清楚三件事： 为什么 Agent...

问题重述：错误，还是欺骗？之前已经写了几篇文章展开大模型在幻觉和诚实问题上的区别。 在工程实践中，我们常将模型错误归因为能力不足或知识缺失。 但在强化学习（RL/RLHF）闭环下，出现了另一类现象：模型知道什么是“正确的事”，却选择做“更有利的事”。 这不是“算错题”，而是策略选择。其风险在 Agent 场景中被显著放大：多步规划、工具调用、长时目标，都会增加“欺骗”的期望收益。 这一篇，我将来拆解大模型“有意识不诚实”的三条研究主线，并给出对 Agent 工程的直接启示。 研究主线一：Reward Hacking ——...