OpenAI 模型给出反例，平面单位距离问题出现重大进展
OpenAI 于 2026 年 5 月 20 日发布研究进展，称其内部通用推理模型在平面单位距离问题上给出新的数学构造，推翻了一个长期存在的离散几何猜想。平面单位距离问题由 Paul Erdős 于 1946 年提出，问题本身非常简洁：给定平面中的 n 个点，最多可以有多少对点之间的距离恰好等于 1。这个问题长期被视为组合几何中最著名、也最容易表述的开放问题之一。
过去几十年中，数学界普遍认为，接近最优的例子应当与方格构造密切相关。Erdős 的经典构造可产生略高于线性的单位距离数量，而已有的最好上界长期停留在 O(n^{4/3})。更强的直觉是，最大单位距离数 ν(n) 应接近 n^{1+o(1)}，也就是说，虽然可能略高于线性，但不应出现固定多项式指数的提升。
这次公开的结果直接否定了这一预期。证明稿的主定理表明，存在绝对常数 δ > 0，并且存在无穷多个正整数 n，使得 ν(n) ≥ n^{1+δ}。这意味着，某些点集中的单位距离对数量不仅仅是略高于线性，而是具有固定指数的多项式提升。因此，该结果并不是给出 ν(n) 的完整精确公式，而是以反例方式推翻了 Erdős 单位距离猜想的核心上界预期。
外部数学家发布的评注稿由 Noga Alon、Thomas F. Bloom、W. T. Gowers、Daniel Litt、Will Sawin、Arul Shankar、Jacob Tsimerman、Victor Wang 和 Melanie Matchett Wood 等人署名。该评注稿称，其内容是对 OpenAI 生成反例的“人类消化版”，并在一定程度上进行了简化和推广。
正式证明稿 PDF
外部数学家评注稿 PDF
视频素材链接
模型推理摘要 PDF
OpenAI 博客
OpenAI 于 2026 年 5 月 20 日发布研究进展，称其内部通用推理模型在平面单位距离问题上给出新的数学构造，推翻了一个长期存在的离散几何猜想。平面单位距离问题由 Paul Erdős 于 1946 年提出，问题本身非常简洁：给定平面中的 n 个点，最多可以有多少对点之间的距离恰好等于 1。这个问题长期被视为组合几何中最著名、也最容易表述的开放问题之一。
过去几十年中，数学界普遍认为，接近最优的例子应当与方格构造密切相关。Erdős 的经典构造可产生略高于线性的单位距离数量，而已有的最好上界长期停留在 O(n^{4/3})。更强的直觉是，最大单位距离数 ν(n) 应接近 n^{1+o(1)}，也就是说，虽然可能略高于线性，但不应出现固定多项式指数的提升。
这次公开的结果直接否定了这一预期。证明稿的主定理表明，存在绝对常数 δ > 0，并且存在无穷多个正整数 n，使得 ν(n) ≥ n^{1+δ}。这意味着，某些点集中的单位距离对数量不仅仅是略高于线性，而是具有固定指数的多项式提升。因此，该结果并不是给出 ν(n) 的完整精确公式，而是以反例方式推翻了 Erdős 单位距离猜想的核心上界预期。
外部数学家发布的评注稿由 Noga Alon、Thomas F. Bloom、W. T. Gowers、Daniel Litt、Will Sawin、Arul Shankar、Jacob Tsimerman、Victor Wang 和 Melanie Matchett Wood 等人署名。该评注稿称，其内容是对 OpenAI 生成反例的“人类消化版”，并在一定程度上进行了简化和推广。
正式证明稿 PDF
外部数学家评注稿 PDF
视频素材链接
模型推理摘要 PDF
OpenAI 博客
来自频道: @DNSPODT
拆解 Anthropic：最好的 AI 公司，可能也是一种组织发明
过去两年，外界反复有明星 researcher 说 scaling laws 撞墙了，pretraining 的边际收益已经见顶。就我们和各家 researcher 的交流感受，Anthropic 一直是所有 labs 里最相信 scaling laws 的，也是把 pretraining 和数据做得最扎实的，没有在新范式上分散精力。
事后看这也是对的。Claude 的能力跃迁，很大一部分就来自 pretraining 的扎实投入。
Anthropic是御三家里唯一很早就放弃多模态的，且从来没讲过架构创新，没强调过 reasoning model、RL、continual learning 等概念，只做好语言模型的 scaling，只重点做 coding 一个方向，把最关键的能力打穿。
▎Source
过去两年，外界反复有明星 researcher 说 scaling laws 撞墙了，pretraining 的边际收益已经见顶。就我们和各家 researcher 的交流感受，Anthropic 一直是所有 labs 里最相信 scaling laws 的，也是把 pretraining 和数据做得最扎实的，没有在新范式上分散精力。
事后看这也是对的。Claude 的能力跃迁，很大一部分就来自 pretraining 的扎实投入。
Anthropic是御三家里唯一很早就放弃多模态的，且从来没讲过架构创新，没强调过 reasoning model、RL、continual learning 等概念，只做好语言模型的 scaling，只重点做 coding 一个方向，把最关键的能力打穿。
▎Source
来自频道: @DNSPODT
ASML CEO称AI推动芯片供不应求，呼吁围绕对华芯片制造设备出口制定更一致的规则
芯片制造设备巨头ASML首席执行官富凯告诉路透，在可预见的未来，蓬勃发展的全球半导体市场将因供应紧张而“形势严峻”，因为来自人工智能、卫星和机器人领域的需求已超过了行业的生产能力；芯片供应链中可能持续出现零星瓶颈。富凯表示，ASML正在提升产量并提高设备生产效率，同时推进新技术研发，以应对需求增长。他呼吁制定更统一的规则，规范向中国出口芯片制造设备。
来源：路透社
芯片制造设备巨头ASML首席执行官富凯告诉路透，在可预见的未来，蓬勃发展的全球半导体市场将因供应紧张而“形势严峻”，因为来自人工智能、卫星和机器人领域的需求已超过了行业的生产能力；芯片供应链中可能持续出现零星瓶颈。富凯表示，ASML正在提升产量并提高设备生产效率，同时推进新技术研发，以应对需求增长。他呼吁制定更统一的规则，规范向中国出口芯片制造设备。
来源：路透社
来自频道: @DNSPODT
从合肥模式到追觅“崩老头”：政企合作的边界如何把握？【聂辉华教授】
@聂辉华教授:
最近，年销150亿的追觅公司喊出“三年破万亿”的口号，手段不是靠风投，而是精准瞄准地方政府的招商需求。旗下200多个事业部横跨机器人、辣条、奶茶，被媒体称为“崩老头”——像假扮女性骗取打赏一样，拿捏官员的KPI焦虑。
PPP造车、光伏骗补、“假央企”背书、数据造假，在地方招商引资过程中可谓乱象丛生。为什么会出现这些乱象？是企业主的道德沦丧，还是KPI驱动下各类当事人的人性扭曲？是市场失灵，还是体制问题？这期视频聂老师从政治经济学的角度，谈谈对这一类现象的看法。
@聂辉华教授:
发布视频
来自频道: @DNSPODT
如何测试 2080 亿个晶体管？
@葬送的模数师:
【Asianometry 2026】如何测试2080亿个晶体管：放弃证明它工作，只需证明它没坏 [中英字幕]
当英伟达 Blackwell Ultra 将 2080 亿个晶体管暴力塞入同一片封装中时，一个致命的产业级拷问浮出水面：我们该如何证明，这块造价高昂的“硅片怪兽”里每一个微小结构都没有缺陷？
在半导体光鲜亮丽的纳米级制造背后，自动测试设备 (ATE) 是决定芯片良率与经济效益的生死线。本期视频溯源了半导体测试的底层逻辑变革——从 1950 年代德州仪器的手工测二极管，到泰瑞达 (Teradyne) 制定工厂级标准，再到爱德万 (Advantest) 借助日本存储产业的逆袭。我们将深度解析，为何摩尔定律逼停了传统的“功能测试”，迫使行业放弃证明芯片能跑通，只需用“扫描测试向量”证明其物理结构没坏。在 Chiplet 与先进封装时代，直击 ATE 设备厂商如何面对算力狂潮带来的终极考验。
【时间轴】
00:00 Blackwell的终极拷问
01:54 德州仪器的手工测试时代
04:47 泰瑞达：工厂级测试霸主
14:49 爱德万与日本半导体反击
18:31 摩尔定律逼出的结构测试
22:18 OSAT崛起与千禧年泡沫
25:48 先进封装：AI芯片测试深水区
【视频来源】
How To Test 208 Billion Transistors
Y2B ID: SXULADjnO5s
@葬送的模数师:
telegra.ph/如何测试-2080-亿个晶体管-05-20
来自频道: @DNSPODT
5月20日传出消息，NVIDIA专为中国市场定制的旗舰游戏显卡RTX 5090 D v2已被中国海关禁止进口。本次禁令由中方发起，NVIDIA方面完全措手不及，该型号仅面向中国市场、无法在其他国家和地区销售，海关已通知相关物流公司该产品不会获发进口通行证，所有相关货物无法进入中国市场，目前暂未收到关于禁令原因的官方说明。
来源：Wccfetch
来源：Wccfetch
来自频道: @DNSPODT
Gemini Omni 正式发布，Google 把多模态视频生成纳入 Gemini 体系
Google 在 I/O 2026 期间发布 Gemini Omni，定位为新的多模态生成模型家族，首发模型是 Gemini Omni Flash。该模型以视频为起点，支持混合文本、图片、音频和视频作为输入，生成带音频的高分辨率视频，并可通过对话继续修改画面、动作、角色和风格。
与传统“文字生成视频”工具相比，Gemini Omni 的重点是从现有素材出发进行重构和编辑。Google 称其可在连续编辑中保持角色、物理关系和场景上下文，并将 Gemini 的现实世界知识引入视频生成，使结果不只追求视觉真实，也更强调叙事和语义一致性。
deepmind
Google 在 I/O 2026 期间发布 Gemini Omni，定位为新的多模态生成模型家族，首发模型是 Gemini Omni Flash。该模型以视频为起点，支持混合文本、图片、音频和视频作为输入，生成带音频的高分辨率视频，并可通过对话继续修改画面、动作、角色和风格。
与传统“文字生成视频”工具相比，Gemini Omni 的重点是从现有素材出发进行重构和编辑。Google 称其可在连续编辑中保持角色、物理关系和场景上下文，并将 Gemini 的现实世界知识引入视频生成，使结果不只追求视觉真实，也更强调叙事和语义一致性。
deepmind
来自频道: @DNSPODT
Google 发布 Gemini 3.5 Flash，重点转向智能体与编码任务
根据 Google DeepMind 的模型卡，Gemini 3.5 Flash 基于 Gemini 3 Flash 推理基础构建，支持文本、图像、音频和视频输入，最高 100 万 token 上下文，单次输出最高 64K token。Google 将其描述为原生多模态推理模型，并提供可调节的 thinking levels，用于平衡质量、成本与延迟。
性能方面，Google 称 Gemini 3.5 Flash 是其目前最强的智能体和编码模型，在 Terminal-Bench 2.1、GDPval-AA、MCP Atlas 等基准上超过 Gemini 3.1 Pro，并在 CharXiv Reasoning 多模态理解测试中取得 84.2%。
API 定价方面，Gemini 3.5 Flash 标准付费档为每 100 万输入 token 1.50 美元、每 100 万输出 token 9.00 美元；Batch 与 Flex 为 0.75 美元输入、4.50 美元输出；Priority 为 2.70 美元输入、16.20 美元输出。
Google
根据 Google DeepMind 的模型卡，Gemini 3.5 Flash 基于 Gemini 3 Flash 推理基础构建，支持文本、图像、音频和视频输入，最高 100 万 token 上下文，单次输出最高 64K token。Google 将其描述为原生多模态推理模型，并提供可调节的 thinking levels，用于平衡质量、成本与延迟。
性能方面，Google 称 Gemini 3.5 Flash 是其目前最强的智能体和编码模型，在 Terminal-Bench 2.1、GDPval-AA、MCP Atlas 等基准上超过 Gemini 3.1 Pro，并在 CharXiv Reasoning 多模态理解测试中取得 84.2%。
API 定价方面，Gemini 3.5 Flash 标准付费档为每 100 万输入 token 1.50 美元、每 100 万输出 token 9.00 美元；Batch 与 Flex 为 0.75 美元输入、4.50 美元输出；Priority 为 2.70 美元输入、16.20 美元输出。
来自频道: @DNSPODT
Cursor 发布 Composer 2.5，强化长任务编程能力
Composer 2.5 相比 Composer 2 在长时间任务执行、复杂指令遵循和协作体验上有明显改进。Cursor 表示，新版本通过扩大训练规模、构造更复杂的强化学习环境，以及引入新的训练方法来提升模型能力。
模型基础方面，Composer 2.5 仍建立在与 Composer 2 相同的开源 checkpoint 上，即 Moonshot 的 Kimi K2.5。训练侧新增了面向文本反馈的定向强化学习，并使用了比 Composer 2 多 25 倍的合成任务。
Cursor 正与 SpaceXAI 合作训练更大规模的从零训练模型，计划使用 10 倍总算力，但该模型尚未作为本次发布内容开放。
cursor
Composer 2.5 相比 Composer 2 在长时间任务执行、复杂指令遵循和协作体验上有明显改进。Cursor 表示，新版本通过扩大训练规模、构造更复杂的强化学习环境，以及引入新的训练方法来提升模型能力。
模型基础方面，Composer 2.5 仍建立在与 Composer 2 相同的开源 checkpoint 上，即 Moonshot 的 Kimi K2.5。训练侧新增了面向文本反馈的定向强化学习，并使用了比 Composer 2 多 25 倍的合成任务。
Cursor 正与 SpaceXAI 合作训练更大规模的从零训练模型，计划使用 10 倍总算力，但该模型尚未作为本次发布内容开放。
cursor
来自频道: @DNSPODT
Qwen3.7 预览版上线 Qwen Studio
Qwen3.7 已进入预览阶段。Qwen 官方确认，Qwen3.7-Max-Preview 与 Qwen3.7-Plus-Preview 已登陆 Arena、Qwen Studio，覆盖文本与视觉评测场景。
在 Text Arena 中，Qwen3.7-Max-Preview 位列总榜第 13，状态为 Preliminary。官方称其在数学、专家任务、软件与 IT、代码等分项中进入前 10。
在 Vision Arena 中，Qwen3.7-Plus-Preview 位列总榜第 16。Qwen 官方表示，这使阿里在 Vision Arena 的实验室排名升至第 5。
来源：X
Qwen3.7 已进入预览阶段。Qwen 官方确认，Qwen3.7-Max-Preview 与 Qwen3.7-Plus-Preview 已登陆 Arena、Qwen Studio，覆盖文本与视觉评测场景。
在 Text Arena 中，Qwen3.7-Max-Preview 位列总榜第 13，状态为 Preliminary。官方称其在数学、专家任务、软件与 IT、代码等分项中进入前 10。
在 Vision Arena 中，Qwen3.7-Plus-Preview 位列总榜第 16。Qwen 官方表示，这使阿里在 Vision Arena 的实验室排名升至第 5。
来源：X
来自频道: @DNSPODT