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。
#Agent
Latent Space精选AI 评分7878
Latent SpaceAI 评分2222 Latent Space 对话 Moshi CEO Anekha Sokhal：从能源衍生品交易员到 AI 创始人
Moshi CEO Anekha Sokhal 在 Latent Space 播客中讲述自己从数学、JPMorgan 能源衍生品交易转向创业的经历。她把 Moshi 形容为 Bloomberg、Claude 和 Netflix 的结合体：市场数据、操作界面，以及针对交易员持仓的推荐。她还谈到可信信源、文档抽取、自建还是采购模型，以及 AI 工程师被要求“你就是整个团队”的压力。
MIT Technology Review · AIAI 评分2020 Celonis 首席科学家 Devavrat Shah 谈企业 AI 为何需要上下文感知
Celonis 企业 AI 首席科学家 Devavrat Shah 提出"决策智能"，主张把 AI 接入企业既有流程与数据，让智能体理解每项任务在决策中的角色和业务约束。他指出缺乏运营上下文的智能体会忽略约束、犯下代价高昂的错误并浪费算力。他建议企业从具体业务决策入手，先找出最难环节再测试 AI 能否改进，并以速度与价值增益决定是否扩展。
MIT Technology Review · AIAI 评分5858 为 AI 智能体改造互联网，可能让普通用户处境更糟
MIT Technology Review 文章指出，个人 AI 智能体正成为人类与机器人之外的第三类网络访客，OpenAI 的 Dots、Meta 的 Muse 等应用让智能体大规模上线，Muse 首月下载量达 500 万次，8 月至 9 月智能体网络流量增长两倍。
Microsoft ResearchAI 评分2222 微软研究院播客：AI 会犯哪些错，失败又能教我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她还分享使用当前 AI 系统的实用建议，并强调结果偏离预期时应仔细检查数据。
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5050 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本已从 GPT-4 级约 $30/百万 token 降至不足 $1，部分厂商低于 $0.10，中位年降幅约 50x，数据系统需围绕智能体重构。