AI 为何突然擅长数学证明：从提示序列与分支因子看模型解题方式
作者分析 OpenAI 与 Anthropic 今年接连给出数学问题证明的原因，认为模型以深度优先方式把每条可行路径推到终点，再用验证器筛掉错误分支。文中用提示序列长度 k 与分支因子 b 解释模型擅长解空间窄的问题，并指出人类直觉在搜索树深且分支多的问题上仍有优势。
推荐理由：文章用提示序列长度和分支因子解释模型为何擅长数学证明，并指出人类直觉仍占优的问题类型。
#推理
Latent Space精选AI 评分7878 MIT Technology Review · AIAI 评分2222 EXL 解读如何设计可持续演进的 AI 服务框架
EXL 研究人员在 Engineering the Harness 系列中探讨企业 AI 的服务框架设计，涵盖服务架构、内存管理、调度与推理优化如何协同。文章指出生产环境的瓶颈常来自随并发和上下文长度增长的 KV cache 挤占 GPU 显存，应先测量再优化，而非堆叠所有优化技术。企业应围绕工作负载和 SLO 构建可适配模型与硬件变化的架构。
Import AIAI 评分2222 Import AI 475：群体扩展、Google DeepMind 为合成生物学加水印、AI 科学经济
Import AI 475 期讨论了群体扩展（swarm scaling）：4 智能体群体达到同等性能需约两倍总 token，但每个智能体只需一半 token，并行下理论耗时减半，且规模扩大存在收益递减。
Berkeley AI ResearchAI 评分3838 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化子任务、开多少并发线程以及如何协调。现有方法如 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink 和 Hogwild! Inference 的并行结构多由模型外部设定，未教会模型自适应行为。