由Mira Murati联合创立的Thinking Machines Lab发布“模块流形”研究，提出了一种革命性的大模型优化策略，即通过流形优化对模型权重进行“预防式”约束管理。这项技术旨在从根本上解决AI训练中的数值不稳定性，有望大幅提升模型的训练效率、稳定性和可解释性，对AI产业的未来发展和商业格局产生深远影响。

斯坦福、伯克利、MIT团队提出的IneqMath基准，通过创新性的非正式数学推理评估方法，揭示了大语言模型在数学证明中普遍存在的逻辑严谨性不足问题，即便答案正确也常缺乏可靠推理过程。这项研究挑战了单纯依靠模型规模提升智能的传统范式，预示未来AI研究将更侧重于自我批判、知识整合与工具利用，以实现更深层次的“理解”和在科学发现等关键领域的可靠应用。