Meta公布六篇人机合写论文，Google让联邦学习可审计

约 3,500 字 · 阅读约 12 分钟

Juju Radar · 2026 年 10 月 3 日

本期导读

Meta公布了六篇由数学家与Muse Spark协作完成的论文。研究对象不再是有标准答案的竞赛题，而是需要写出证明、接受同行检验的开放问题。Google也公布了新的联邦学习系统：把原先分散在手机上的计算移到服务器，却让服务器能运行什么程序、何时能解密数据，变得可供外部核查。两件事都值得读，但判断它们的进展，得看具体的证明和系统设计。

工程侧有一项很直观的实验：Baseten让Claude Code围绕一款模型、一张GPU和明确的性能目标，连续一周编写推理引擎，部分测试超过vLLM。Ai2则开源了用于生成带引文科研报告的8B模型。最后，Epoch AI算了一笔更大的账：未来的显存供应或许足以同时运行数千万个前沿Agent，需求和付费能力能否跟上，仍是另一回事。

🧮 Meta公布六篇人机合写数学论文：有证明，也有前人先解出的题

AI for Science / 数学研究 · 9/10 · 建议读原文

Meta 10月2日公布六篇数学研究，作者在普通meta.ai聊天界面使用Muse Spark 1.1和1.2，没有专门搭建研究Agent。数学家负责选题、判断思路和修正论证，另一组数学家复核；每篇论文都注明哪些段落主要由人写、哪些主要由模型起草。Meta称其中五篇回答了此前开放的问题。这比让模型做奥赛题更难评价，也更值得评价：答案不能靠题库对照，必须拿出能被别人检查的证明或反例。

几篇论文里，模型的作用并不一样。一篇微分方程论文处理特定条件下波是否必在有限时间内“爆发”的问题，Muse Spark帮助核算和修订证明，关键问题与思路仍由研究者确定。另一篇群论论文中，它生成了在数学软件GAP里搜索反例的程序，找到一个384阶群，研究者再检查结果并完成论证。这些例子展示了模型可介入的具体工序：试探论证、写搜索程序、草拟技术段落；没有证明它能独立负责整项研究。

也要看清“解决”的先后。高斯点椭球拟合论文给出了一个阈值结果，但Meta明确列出8月已公开的三组独立同期成果；群论猜想也有别的Agent在9月16日报告不同反例。因此，这条新闻的意义不是模型抢先解出了六道无人会做的题，而是Meta把不同程度的模型参与、专家复核和论文原文一起交了出来。后续最值得追的是这些证明能否经受更多数学家的检验，以及这种协作能否在别的研究团队重复。

🔐 Google让联邦学习的服务器代码可核查，Gboard已采用

隐私计算 / AI基础设施 / 论文 · 8.8/10 · 建议看系统设计

Google 10月2日介绍新一代联邦学习系统。传统联邦学习尽量在用户设备上计算，再汇总结果；Google这次把更多计算移到服务器，换取更快训练和更多设备参与。难题随之出现：数据到了服务器，用户和外部审计者凭什么相信它只被允许的程序处理？对应论文9月25日已提交，本次更新是Google公开说明系统设计与Gboard落地。

它的办法是让设备先加密上传数据，并指定将来哪些程序可以处理。运行在可信执行环境（TEE）里的密钥服务核对程序身份和预设策略，符合条件才放出解密密钥；策略写进公共透明日志，相关程序也提供可重建的开源代码。这样，审计者至少可以检查“允许执行什么”和“机器声称正在执行什么”，而不只是接受服务器运营者的口头承诺。Google说，Gboard的英语和日语下一词预测模型已经用这套系统训练；旧流程常要一两个月，新流程可以在服务器上并行计算。

这里的“可验证”有边界。TEE依赖硬件隔离和软件实现，侧信道风险仍在；Google自己也说，还没有给差分隐私算法及所有系统组件做完形式化正确性证明。更准确的理解是：它把隐私承诺向可查的代码、策略和执行记录推进了一步，尚未把服务器变成绝对无需信任的黑箱。

⚙️ Agent写出专用推理引擎：快90%的前提是一台B200和特定文本

Coding Agent / 推理工程 · 8.7/10 · 建议看测试条件

Baseten工程师公开了一次推理引擎实验：让Claude Code使用Fable 5，针对Qwen-3.6-35B-A3B的NVFP4版本和单张B200，持续编写、部署、测量、再修改一个专用引擎。Agent可查阅vLLM、TensorRT-LLM已有优化，工程师设定性能和精度目标，必要时干预它过分偏向某一种请求形态。最终版本叫VibeQwen，约用了一周、17亿token和200个B200小时；这个代价也必须算进“自动优化”的账里。

Baseten报告，在有利于推测解码的重复、结构化文本上，单路输出每秒1792 token，对照调优过的vLLM 0.25.1为943，快约90%；首token从28毫秒降到12毫秒。32路并发时，输出吞吐为每秒10307对6030 token。它不是所有文本、所有并发和所有GPU都快90%。作者还允许与NVFP4参考实现有细微数值差异，但要求相对BF16基线的总体准确性不下降；两个实验性引擎目前都未承载生产流量。

这件事最可迁移的不是那个峰值数字，而是任务怎么交给Agent：先把性能、流量形态和精度检查设成硬门槛，再让它反复跑实验。通用引擎要照顾很多模型与硬件，专用引擎有空间为一个组合做激进优化；但如果测试负载或准确性门槛设错，Agent也会认真地把错误目标做到极致。Baseten的结果目前仍是厂商自测，等待独立复现和生产环境验证。

📚 Ai2开源8B科研报告模型，靠更密的引用训练换速度

AI for Science / 开源模型 · 8.4/10 · 值得看数据配方

Ai2 10月2日开源AstaBrief 8B：输入研究问题和检索到的论文片段，直接生成带引用的报告。它以Qwen3-8B为底座，先用约4.7万份筛选后的报告做监督训练，再用约6000组偏好对继续训练。与Asta原有的Claude驱动“Thinking”流程相比，新“Fast”模式省去了多轮摘要、聚类和逐节撰写，改为一次生成整份报告；模型权重和训练数据都已公开。

训练里有个值得借鉴的细节。团队试过按引用相关性、引用多样性等指标筛样本，最有效的却是较朴素的一项：删掉引用密度太低、大片文字没有证据支撑的报告。模型学会的不只是论文术语，还有更频繁地给观点接上出处。Ai2报告完整服务流程平均51.1秒，原Thinking模式为178.5秒，约快3.5倍；这是整条产品流程的比较，并非8B模型与Claude单次生成速度的纯模型对比。

这项结果适合看作“可自行部署的科研报告初稿工具”。Ai2明确说主要训练和评估在2025年完成，没有重新与如今最强的模型全面比较。它也提醒：一句话即便引用了相关论文，仍可能把一小组样本的结论写成普遍规律。对真要读论文的人而言，引文是否真的支持这句话，依旧要逐条核对。

📊 未来能同时跑多少Agent？Epoch算出的上限也暴露了需求问题

算力 / Agent经济 / 独立研究 · 8.2/10 · 值得看假设

Epoch AI 10月2日发布Agent容量估算：把2025至2027年可能出货的高带宽显存折成GB300等效设备，再结合开放模型的并发测试，以及Codex、Claude Code会话的API花费，推算可承载多少个持续运行的Agent。按硬件全部部署、并分配给这些负载的设定，它得到约3000万至1.7亿个并发前沿模型Agent会话。这里的“Agent”是一次含模型调用和工具等待的工作会话，不是有固定身份的独立数字员工。

更有意思的是需求侧。Epoch算出，即便只用其中心容量估计的20%，按当前API等价价格也隐含每年2.6万亿至5.3万亿美元支出。这不是收入预测，更不是说2027年真的会有这么多Agent上岗；它反过来问：芯片供应若按计划扩张，是否有足够多的任务、产品和付费客户来吃下容量？只谈“算力缺口”，会漏掉这个问题。

估算对假设非常敏感。闭源模型每张卡能跑多少会话，并不是硬件实测，而是由Agent每小时API花费、GPU租价和服务成本倍数反推；现实里还有供电、部署时滞、价格下降和模型效率变化。读这份报告，最好拿它当供需情景分析，而不是未来Agent人口普查。

今天的主线

Meta把模型放进数学研究，Ai2把带引用的报告做成可部署工具，Baseten让Agent参与推理工程。三件事都说明：模型会生成内容或代码只是起点，能否进入实际工作，还要看谁检查证明、引文、输出准确性和性能。Google的做法把同一道问题延伸到了数据处理：服务器承诺保护隐私，需要能被外部核查的执行策略和代码。

Epoch补上另一种检验。即使这些工作流程在技术上成立，也要有人持续使用、愿意为Agent小时付费。下一阶段值得观察的，不只是模型又完成了什么，还包括每项成果怎样验收、怎样复现，以及能否在真实成本下运行。