第二位数学家要求OpenAI证明未使用其非公开研究

01第二位数学家要求OpenAI证明未使用其非公开研究，训练数据透明度争议扩大

数学家Andreas Thom要求OpenAI拿出数据证据，证明他与ChatGPT的非公开交流没有被用于改进模型或影响一项非-sofic群成果。非-sofic群大致指无法由有限结构逼近的无限数学结构；OpenAI公布的成果大量建立在Thom与Gábor Kun的既有工作之上。

OpenAI最初发布成果时没有承认两人的近期贡献，受到数学界批评后修改了说明。Thom又发现，OpenAI对其团队研究技术的掌握异常具体，而这些技术当时并非最明显或最有希望的解法，因此询问公司研究人员：自己与ChatGPT的交流是否进入训练数据，或能被模型推理过程利用。

据Thom描述，他得到的回答只否认相关对话可被直接访问，却没有说明去标识化后的内容是否进入用于改进模型的数据池。OpenAI此前回应另一名数学家Tristan Buckmaster的Navier–Stokes质疑时，也否认求解过程中访问特定用户数据，但承认无法完全排除用户活动产生的去标识化数据曾帮助改进模型。

这一区别使争议从成果署名扩大到训练数据和研究保密：去掉姓名并不等于去掉数学思想。Thom要求OpenAI披露必要的数据集、用户设置和数据使用条款；目前没有证据确认其研究实际进入训练数据或影响成果，OpenAI也未立即回应置评请求。

02GE-Act 2.0把机器人训练数据扩至3万小时，零样本操作成功率最高升至44.1%

GE-Act 2.0是一套从未来状态预测中生成机器人动作的世界—动作模型。研发团队把联合训练数据从300小时扩至3万小时，并直接测试预训练检查点，不针对单项任务微调，以观察操作能力能否随数据规模增长而迁移。

模型以控制导向自编码器压缩并保留动作和指令信息；单步视觉规划器一次生成完整未来状态，逆动力学模型再将其转成动作。两部分先用互补数据分别预训练，联合训练时只采用与记录动作在行为上兼容的预测结果。

测试覆盖20类技能中的100项任务，以及未见过的场景、背景、光照和物体。G1-OP成功率从17.1%升至44.1%，提高27个百分点；G2-90D从13.4%升至31.1%，提高17.7个百分点。增益覆盖19/20和18/20类技能，支持跨任务泛化；G2-90D数据占比不足2%却明显提升，团队据此认为存在跨机器人形态迁移，但平台硬件差异、训练成本及长期部署表现仍未知。

03BeaconKV用「信标查询」压缩长推理缓存，团队报告显存占用最多减少5.8倍

大型推理模型生成长思维链时，键值（KV）缓存会随序列长度线性增长，长轨迹甚至可能超过GPU容量。现有方法常依据近期查询决定保留哪些token，但模型可能突然回看早期解题计划，近期注意力因而无法可靠代表未来需求。

研究者发现，这类回看远距离内容的查询会在嵌入空间聚成少数相似性簇。BeaconKV为每个全局查询簇保留紧凑的「信标查询」，再结合近期查询，预测哪些历史键值对还会被访问；该方法无需保存完整查询历史，也不需要额外训练。

团队在四款开源大型推理模型和多种推理基准上称，BeaconKV总体优于既有方法，在「几乎保持」完整缓存准确率的同时，内存占用最高减少5.8倍，吞吐量提高超过4.3倍。但具体准确率损失，以及两项最高收益是否来自同一配置或生产负载，尚未披露。