自動 AI 新聞摘要:Lean 社群正式認證黎曼猜想證明、Transformers v5.24.0 統一快取介面與本地量化新探索
11 月 22 日 AI 新聞摘要:Lean 與 Mathlib 社群完成黎曼猜想形式化證明多核心驗證、Hugging Face Transformers v5.24.0 新增 10 款模型並統一 cache 介面、LookAtMyQuant 將 Inkling-2-Mini 壓縮至 5.4 GB,以及 GPGME 重大漏洞修補與開發工具更新。
前言
本文由 Horizon 抓取資料,再由 Codex 篩選與改寫;Horizon 只負責資料抓取。今天的新聞焦點落在「大規模形式化驗證的可信度」與「開源模型及開發工具鏈的工程落地」:Lean 與 Mathlib 社群正式背書 1,700 萬行黎曼猜想證明並透過多組獨立核心交叉驗證;huggingface/transformers 釋出大規模更新 v5.24.0;本地端量化工具嘗試將迴圈架構模型塞進 5.4 GB 記憶體,而開發基礎設施也迎來 Go 寫 PostgreSQL 擴充套件與 GPGME 關鍵安全修補。
Lean 與 Mathlib 社群正式認證黎曼猜想形式化證明,多核心與 AI 輔助驗證引熱議
繼 Anthropic 研究員 Levent Alpöge 與 Claude 協作發表黎曼猜想證明後,Lean 與 Mathlib 社群發布聯合聲明(獲 Lean FRO 與 Mathlib Initiative 背書),正式認證該份約 1,700 萬行程式碼的 Lean 函式庫同時滿足命題正確性與證明完整性。社群不僅透過獨立隔離檔案確認目標定理與 Mathlib 既有的 RiemannHypothesis 完全一致,更以 comparator 與 con-leche --compare 交叉比對過關。
MIT 教授 Andrew Sutherland 亦公開其使用 Claude Code 協助執行的完整驗證紀錄:所有 175,187 個模組皆在 Lean v4.33.1 無錯誤編譯完成,定理僅依賴 Lean 三條標準公理(propext、Classical.choice、Quot.sound),並通過 Lean 官方核心、Rust 獨立核心 nanoda(80 執行緒耗時約 27 分 42 秒)、lean4lean,以及附帶集合論自身一致性證明的 con-leche 與 con-ron 檢查器。Latent Space《AINews》則指出,這場同時出現 Claude 協作 1.3 GB Lean 證明與數學家 Alessandro Masullo 歷時 12 年純手寫 940 頁草稿的歷史性時刻,正凸顯 AI 時代「機器可驗證但人類難讀」與「人類可理解但極難全盤覆核」之間的強烈對比。不過 Hacker News 社群也提醒,當從證明撰寫、網站建置到部分驗證腳本都高度依賴 Claude 與同一生態工具鏈時,仍需維持獨立第三方工具(如非 AI 編寫的核心檢查器)的多樣性。
來源:Lean Community Blog:Lean verification of the Riemann Hypothesis 來源:MIT Math (Andrew Sutherland):Verification files for the Lean proof of the Riemann Hypothesis 來源:Latent Space:AINews Riemann Hypothesis proved...twice independently
Hugging Face Transformers 釋出 v5.24.0:新增 10 款架構並全面重構 cache 介面
huggingface/transformers 正式推出 v5.24.0,一次納入 10 款新模型架構與多項關鍵執行期調整。新支援的模型橫跨迴圈推論、多模態與多語系語音領域,包含 Thinking Machines Lab 採用 6 至 17 層三度迴圈設計的 Inkling 2 Mini、Swiss AI Initiative 整合 EMU3.5 視覺與 WavTokenizer 音訊離散編碼的 Apertus 1.5、NVIDIA 的潛在遞迴模型 Dory、騰訊混元動態解析度多模態模型 HY4-VL、Meta FAIR 支援逾 1,600 種語言的 Omnilingual ASR(300M 至 7B)、Translated 的混合式 MoE 模型 Lara Mini、Sarvam AI 的 SarvamMLA(105B)與 SarvamMoE(30B),以及原生載入、不再需要 trust_remote_code=True 的 LG EXAONE 系列。
在開發介面與破壞性變更方面,本次最大變動是將過去分散於注意力模型的 past_key_values 與線性模型/Mamba 的 cache_params 全面統一命名為 cache(peft 最低版本需求同步提升至 >=0.22.0),舊參數目前雖保留自動轉換與棄用警告,但將於未來版本移除。此外,生成式多模態模型現統一回傳共享輸出類別(如 MultimodalCausalLMOutputWithPast),並移除舊版 modeling_attn_mask_utils.py。在系統安全與推論最佳化上,本版修正了 torch.inference_mode() 下的 continuous batching 問題、TextStreamer 在無空白字元語言(如中文、日文、韓文)串流時的延遲現象,新增 python-call-list 對話解析器,同時規定載入可能執行任意程式碼的 pickle .pt2 匯出檔時必須顯式傳入 trust_remote_code=True。
來源:GitHub:huggingface/transformers v5.24.0
LookAtMyQuant 將 Inkling-2-Mini 壓縮至 5.4 GB 記憶體,社群實測討論熱度升溫
開源量化編譯專案 LookAtMyQuant 登上 Hacker News 熱門話題,展示將總參數量 26.4B(每次啟用 5.4B、第 6 至 17 層迴圈 3 次)的 Inkling-2-Mini 從原本 18.89 GB 文字權重壓縮為四個 Apple Silicon MLX 版本,最低版本僅佔用 5.38 GB(每權重 1.65 bit)。其作法結合 4 KB SRAM 雜湊區塊向量格狀編碼(trellis codes)、Fisher 資訊量逐列位元配置、SQYFR 近端微調(proximal fine-tuning),以及在較高容量版本(11.2 GB 與 12.8 GB)保留部分高敏感度專家權重為原生無損 NVFP4 格式,宣稱在 11.2 GB 級距可維持接近原始 BF16 模型的 GSM8K 與 HumanEval 表現。
不過 Hacker News 上的開發者與本機端玩家也給出了務實的提醒:部分社群成員指出,看待第三方量化專案時應審慎檢視 KL 散度或特定基準測試數據,避免過度解讀單一指標而忽略真實對話泛化能力的折損;此外,也有實際在工作站 GPU(如 R9700)測試 Inkling-2-Mini 的使用者回報,由於迴圈變壓器架構需重複執行相同層數,加上核心尚未充分最佳化,目前實測推理速度僅約 Qwen 27B 的三分之一。對於想在消費級硬體部署迴圈模型的開發者而言,如何在記憶體節省與 token 生成延遲之間取得平衡,仍是接下來觀察重點。
來源:GitHub:ShinMegamiBoson/lookatmyquant
開發工具與語言工程動態:Go 寫 PostgreSQL 擴充套件、Zero C# 與不可變性對 LLM 的啟發
在程式語言與資料庫開發工具面,本週出現數項值得開發者關注的專案與討論。實驗性工具 gopgext 讓開發者能直接使用純 Go 語言搭配 TinyGo 編譯 PostgreSQL 擴充套件:只需在函式加上 //gopgext:function 註解,工具便會自動產生 C 語言銜接層、安裝腳本與控制檔,並支援 SPI SQL 查詢、觸發器(triggers)、GiST/GIN/BRIN 索引存取方法及 pgcrypto、pg_stat_statements 等模組移植。雖然作者明確標示目前仍屬實驗性質、不建議用於正式環境,且社群中仍有不少人偏好成熟的 Rust pgrx 方案,但這為 Go 團隊降低了深入資料庫核心擴充的門檻。
另一方面,Zero C#(基於 bflat 分支)展示如何將現代 C#(包含 C# 15 Unions、泛型與 records)直接編譯為不依賴 .NET 執行期與垃圾回收機制(GC)的極小原生執行檔(Windows 約 11 KB、Linux 約 40 KB,並支援 WebAssembly 與 386 DOS),改採 Arena 記憶體區域配置來取代 GC。此外,一篇 2017 年探討 Clojure 如何重塑程式思維的文章再度登上 Hacker News,不少工程師從 LLM 與 Coding Agent 時代重新審視這項議題,認為 Clojure 所推廣的不可變資料結構(immutable data structures)與純資料轉換思維,能大幅降低程式狀態複雜度並縮減推理所需的上下文範圍,不僅有助人類除錯,也讓 AI Agent 更容易理解與安全修改程式碼。
來源:gopgext:PostgreSQL Extensions in Go 來源:Zero C#:C# without a runtime or GC 來源:Eli Bendersky:Clojure will affect the way you think about programming (2017)
GnuPG 發布 GPGME 重大安全更新(CVE-2026-129975),修補潛在 RCE 與資料外洩風險
GnuPG 官方釋出 GPGME 2.3.1(並同步更新 Gpg4win、GnuPG Desktop 與 GnuPG VS-Desktop),緊急修補存在於所有 2.3.0 以前版本的嚴重雙重釋放(double free)漏洞 CVE-2026-129975(內部編號 T8557)。該漏洞由研究員 Johan Carlsson 發現並經由 GitLab 通報,起因於 GPGME 內部讀取 gpg 狀態列與金鑰列表的函式在記憶體緩衝區重新配置(realloc)時,若中途因讀取錯誤提早返回,並未將新指標寫回 context 物件,導致結構體仍保留指向已釋放記憶體的過期指標。
攻擊者可透過內含特製超長使用者 ID 的 OpenPGP 金鑰觸發漏洞,進而外洩應用程式記憶體資料,甚至不排除構成遠端程式碼執行(RCE)風險。由於 GPGME 廣泛被郵件用戶端、Samba、Flatpak 以及支援 Git 簽章驗證的 GitLab 等基礎開發平台以動態或靜態方式連結,且 GitLab 因同步處理 Ruby2Shell 漏洞而提前揭露並釋出修補,所有依賴簽章驗證與 CI/CD 供應鏈安全的團隊應立即更新至 GPGME 2.3.1 或套用對應套件修補程式。
來源:GnuPG Announce:GnuPG Security Advisory for GPGME (T8557, CVE-2026-129975)
今日觀察
從今天的新聞脈絡可以看出,當 AI 開始產出人類無法逐行審閱的 1,700 萬行數學證明與大量自動生成程式碼時,「獨立於模型之外的確定性驗證工具」——無論是獨立撰寫的 Lean 檢查器、不可變資料流架構,還是底層函式庫的安全邊界——正變得比以往更加關鍵。而在工程實作層,隨著 Hugging Face 統一快取介面、極限量化工具與多語系語音模型齊頭並進,如何同時兼顧推論延遲、架構可維護性與基礎工具鏈安全,將持續考驗每位 AI 系統開發者。

