新智元报道，丹麦奥尔湖大学Qiongxiu Li团队发起开源项目"巨人之肩"，对OpenAI公开的722篇AI撰写数学与理论计算机稿件进行逐条溯源，发现这些成果跨越5个世纪，引用了约9,600位数学家的11,067部著作，其中114位为菲尔兹奖、阿贝尔奖或沃尔夫奖得主。文章列举了大量具体引用案例：在算术几何中AI稿件采用Fargues–Scholze 2024年的工作；双有理几何中依赖Caucher Birkar、Osamu Fujino、Hacon等人的成果；调和分析中王虹与Joshua Zahl 2025年的三维挂谷猜想证明被用于OpenAI的四维Kakeya稿件；华人数学家丘成桐、陈省身、许晨阳、丁剑等人的工作也被反复引用。10月7日，OpenAI主动撤回3篇稿件并修订14篇。报道指出，AI预训练、监督微调和强化学习的质量高度依赖科学家提供的训练数据、精确验证器和判断标准，科学家在挑选问题、定义正确和评判结果三个环节中处于不可替代的位置，AI突破始终建立在人类科学家的长期工作之上。 围绕陶哲轩博客文章《Illustration Beyond Proof》及Hacker News讨
infinitum 资讯聚合
Anthropic 在工程博客披露，因 Claude 编码产出暴增，公司日均代码合并量从 2026 年 5 月约 2500 次飙升至 9 月超 30000 次，4 个月增长逾 12 倍，原有 Git 镜像方案难以支撑接近 100GB 的主干历史与每日约 2500 万次 CI 检出。七人团队借助 Claude 仅用五个月自研版本控制系统 Scion，并完成整个 monorepo 从 Git 的迁移，同期上线代码评审工具 Antique、监控等配套系统。Scion 采用客户端轻量、服务端承载核心逻辑、基于 changeset 的写前日志与多层缓存架构，基础设施 CPU 与内存占用缩小约 200 倍，CI 检出提速两个数量级并释放约 25% CPU 容量。 相关文章： 使用Claude参与开发后代码合并量激增10倍 为此A社使用自研版本控制系统替代Git - 蓝点网 7人团队靠 Claude 仅用 5 个月重造全新源码系统 - AI新闻资讯 Claude写代码太快，Anthropic连源码系统都重造了！7人只用5个月 - 新智元 还有更多相关文章...
后摩智能在生态合作伙伴大会上宣布，将整套AI生态软件栈全面开源，分四层覆盖模型处理、推理框架、领域套件与部署运维，计划到2027年1月陆续上线15个开源项目，包括对llama.cpp、vLLM的适配版及自研推理框架等。其M50芯片量产不到一年已被150多款终端产品采用，包括联想AI主机P7（300克盒子、本地跑1220亿参数模型）、长城N90 Pro笔记本（断网跑35B模型）、星灵陪伴机器人和搭载4颗M50的星网教育实训一体机等。后摩同时披露了2D CIM（大容量）和3D CIM（高带宽）两条技术路线，前者面向MoE及多模态生成，后者面向Dense模型，通过SRAM存算一体架构降低数据搬运能耗。创始人兼CEO吴强曾是OpenCL创始团队成员，强调"带头开放、高效赋能"，通过开源软件栈降低端边AI产品开发门槛。
macOS 开源终端应用 iTerm2 于 2026 年 10 月 14 日发布 3.7.5 正式版，首次加入多语言界面支持，涵盖简体中文、日语、德语、俄语和巴西葡萄牙语。该项目历史可追溯至 2002 年的原版 iTerm，原版曾在 2006 年拥有中文等语言本地化资源，但因维护成本问题仅保留英文。2010 年前后由 George Nachman 接手开发的 iTerm2 一直未提供多语言界面，2025 年 9 月开发者还曾以项目历史悠久为由表示短期内难以实现。3.7.5 版本还带来浮动终端面板（画中画）、原生支持 Ollama AI 服务、跟踪 Claude Code 和 Codex CLI 任务状态，以及防止 Mac 在任务执行时自动睡眠等新功能。用户可在 macOS 系统设置的应用程序语言中为 iTerm2 单独选择简体中文。
GitHub 仓库 xerj-org/xerj 介绍 XERJ——一种面向 AI 数据搜索的新方式，具备自动索引能力，可让 AI 智能体识别代码、文档、日志和 PDF，相比 grep 减少约 40 倍 token 消耗，并兼容 Elasticsearch 接口。该仓库在 GitHub Trending 上获得约 4.7k Star、295 Fork，累计 2987 次提交。项目近期多项提交涉及工作流超时调整至 90 分钟上限、CI 护栏机制强化，以及 systemone-watcher-gate 基准测试（120 次触发中 94 次正确，0.783 准确率）。xerj init 命令现支持安装 xerj-hub 技能并按客户端打印 MCP 注册信息。安全方面，服务器默认绑定 127.0.0.1，新增 allowinsecurenetwork_bind 配置以拒绝明文网络绑定，并修复了 IPv6 地址解析问题。最新合并提交为 10 月 15 日的 PR #1316。
GitHub 仓库 lightseekorg/tokenspeed 被推荐为当日热门项目，自称「speed-of-light LLM 推理引擎」。仓库约 2.3k 星、330 次 Fork，主题涵盖 Blackwell、GB200/GB300、DeepSeek、Qwen 等模型与硬件。截至 2026-10-15，最新提交为 yechank-nvidia 在 fused RMSNorm 与 SwiGLU 中应用 unscaled FP8 GEMM scales 的内核特性（PR #2201）。同日合并的 PR #2368 修复了 PyPI nightlies 工作流中 runtime 与 kernel wheel 版本错配的问题：当日 #2323 合并于 03:02 UTC，导致 02:09 UTC 构建的 kernel wheel 与 03:10 UTC 构建的 runtime wheel 出现 No module named 'tokenspeedkernel.ops.gemm.cute_dsl' 错误，下游 smg-project/smg 全部 lane 转红。工作流改为从 ker
Google 被发现自动将其用户手机号码关联至同一 Android 设备上登录的所有 Google 账户，包括辅助、工作和临时账户，全程无明显确认提示。该功能名为"电话号码验证"（Phone number verification），Google 支持页面在 2025 年 8 月至 10 月间更新后默认启用了该验证。用户通过 noreply-phone-verification@google.com 邮件获知验证完成。用户可通过设置→Google 或 Google 服务与偏好设置→所有服务→隐私与安全→电话号码验证手动关闭该功能。此举引发用户对隐私的担忧。
Grafana Labs 发布分布式追踪后端 Tempo 3.1，作为 3.0 架构的首次小迭代，vParquet5 成为默认块格式，简单指标查询速度接近翻倍。本次更新重点在 Kafka 客户端：新增 TLS（含可选 mTLS）及 SCRAM-SHA-256/512、OAUTHBEARER、AWSMSKIAM 等 SASL 机制，新增 clientrack 机架感知读取（KIP-392）和 producercompression 压缩选项，并因此可使用仅支持 gzip 的 Azure Event Hubs 作为后端。3.0 引入的 tempo-cli redact 命令此前需列举 trace ID，3.1 改为接收 TraceQL 查询并新增 --dry-run 计数预览，因重写不可逆而仅支持单 spanset 过滤与 resource./span. 等值比较，配合 --start/--end 缩小时间范围。TraceQL 指标新增实验性 (extrapolate=true) 提示按 tracestate 采样率缩放，遵循 OpenTelemetry 概率采样规则，并支持与标量做加减乘
AI基础设施公司Modal于10月14日宣布完成7.5亿美元D轮融资，投后估值达157.5亿美元，由Accel领投，Kleiner Perkins新加入，Menlo Ventures、General Catalyst、Redpoint、Lux Capital、Bain Capital Ventures等老股东跟投。同步披露的关键进展是公司年化运行率（ARR）突破10亿美元，自5月C轮以来使用量翻三倍、同比增长超15倍，其中Sandboxes产品单独ARR达3亿美元，累计启动近30亿个sandbox。 相关文章： Modal 突破 10 亿美元 ARR、完成 160 亿美元 D 轮融资，成纽约最新 AI 基础设施巨头 - Latent Space Modal完成7.5亿美元D轮融资，投后估值达157.5亿美元 - 爱范儿 Modal 年化收入突破 10 亿美元并完成 7.5 亿美元 D 轮融资 - AIHOT — 精选
腾讯云针对商品数据生产链路中60+在线服务、50+存储节点、490+条数据流与270万行代码构成的复杂分布式系统，构建以系统拓扑图为核心的知识底座，并引入问题发现、根因分析、自主修复与Self-Improving四类Agent协同，形成可持续进化的治理闭环。根因分析Agent基于系统拓扑图和源代码，自主进行多跳级联分析与代码级定位，仅信任线上运行代码；自主修复Agent以状态机驱动流水线执行代码Bug修复，并通过人工Review守住发布边界；Self-Improving机制将有效路径、失败经验和修复策略沉淀为可复用经验，持续反哺知识底座。该体系从被动救火转向系统免疫，可更快定位真正根因、缩短异常影响时长，并系统性降低同类问题复发概率。