【大模型/评测】近期大模型发布与评测要点如下：

我们完了！奥特曼曝数学家5天心路反转，陶哲轩：英雄时代退场我们完了，我们的领域结束了，得让研究生转专业。在斯坦福商学院的一场访谈中，奥特曼说，一些数学家看到AI的表现后，第一反应就是如此。 10月6日，继宣布攻克纳维－斯托克斯难题后，OpenAI又一口气公开了700余篇数学手稿。当AI开始大规模提交研究成果，人接下来做什么？ 有人不敢相信：「这是假的。」还有人满腔怒意，认为OpenAI不该这样做：如果这就是获得更多数学知识的代价，他们宁愿不要。 但奥特曼发现，在他听到的反馈中，一些人的想法大概到第五天就变了。从担心整个职业消失，到重新找到自己的价值，中间发生了什么？ 一些数学家重新意识到：自己的工作原本就包括理解知识、交流思想，以及把复杂的成果讲得让人看得懂。多数人从未解决过千禧年难题，却依然可以作出重要贡献。 在10月15日发布的Numberphile访谈中，这位20岁拿到博士学位的UCLA数学教授陶哲轩谈到，数学正在从个人英雄式攻坚，走向大规模研究的时代。 如今，AI开始批量交出证明。研究者除了亲手寻找答案，还要花时间理解机器交来的成果。 但还有很多内容难以理解，尚未被仔细检查，也有出现错误并撤回的情况。当成果成批涌来，后续的理解与验证却没能及时跟上，数学有点「消化不良」了。 10月15日，Simons基金会宣布联合OpenAI、Anthropic，承诺合计1500万美元资金及资源，支持数学家检验、理解和拓展AI成果。 答案可以由AI生成，判断力仍然需要自己练出来。当AI交来一份看似漂亮的成果，你能看懂它、指出问题，并决定下一步值得做什么吗？

发一下前两天Hugging Face开源的一款DNA模型：Carbon-X，在专业基因组任务上逼近GPT-6.1 Sol，单题推理成本约6.1 Sol的1/1800，14.8B BF16权重可在单张80GB GPU上部署这是一个让AI直接理解DNA序列，通过自然语言完成基因组分析的模型比如说，你输入一段DNA序列，就能询问某个突变可能是良性还是致病性、某段序列是否具有基因调控功能，或者预测后续碱基，并文字解释它核心是把DNA和自然语言统一到了一个语言模型中基于Qwen3-14B继续训练，扩展了5515个DNA专用Token，混合Tokenizer：文字使用BPE，DNA每6个碱基编码为一个Token DNA和文字共享同一个Transformer，不需要独立的DNA编码器；模型在Qwen3-14B基础上经约302B token继续训练，再通过SFT与可验证奖励强化学习增强专业能力在五项DNA基准测试中，其平均得分66.7，接近GPT-6.1 Sol的67.5，高于Claude Opus 5.5的60.9 其中，蛋白质编码区变异效应预测达到74.9，高于GPT-6.1 Sol的71 这对大规模基因组数据库分析、遗传变异研究、生物信息学科研来说是一个低成本、可私有化部署的选择它还提供了适用于Claude Code、Codex等Coding Agent 的Skill，以及工具调用示例，可以把Carbon-X接入现有 Agent工作流执行DNA序列分析任务 DNAAI模型CarbonX基因分析模型

今天看到 Claude Code 核心作者 Thariq Shihipar 正式离职的消息！相比他选择在 A 厂上市之前离开带来的震惊，更让我感兴趣的是他在 X 上的离职信中提到的“向上竞赛”（Race to the Top）理念。 他提到的大概意思是：“最重要的是，我坚信‘向上竞赛’的理念。如果我们努力且负责任地工作，就能抬高行业的标准，并激励其他人创造更好的结果。如果我们都能互相推动，让彼此变得更好，事情就会变得极其美好。我将永远带着这种精神前行。” 我觉得这是一个非常积极、有益的理念，对企业和个人的发展与竞争都是很好的指引和参考。 企业间的竞争不可避免，但竞争的方向可以选择。 与“向上竞赛”对应的是“向下竞赛”，比如为了抢占市场、抢先发布，而牺牲产品质量、降低标准。 竞争不应该是比“谁的底线更低”，而是应该形成一种良性循环：一家企业做出更好、更负责任的产品，提高用户和行业的期待，其他企业跟进或超越，最终推动整个行业的标准上升。 仔细想来，好的竞争者，能够互相推动，让彼此变得更好。 我觉得，对于团队和个人的发展，亦是如此。

「可以把这篇内容发给AI，让AI帮你按照这篇内容定义生成图片/视频的skill」 这篇内容不错～收藏！用 Claude 做动画，全网最全攻略：4 条路线、11 种风格、30+ 工具和案例、全部素材来源（via Xian | 弦) 目录原理：Claude 不画画，它写“