内容简介 这篇文章核心围绕 “验证不对称性” 与 “验证者定律” 展开。所谓验证不对称性，指的是不同任务中 “验证” 与 “解决” 的难度关系存在差异：有些任务验证远易于解决，比如数独和填字游戏解起来耗时，验证答案却很简单，搭建像 Instagram 这样的网站需要工程师团队多年努力，普通人却能快速检查网站是否正常运行；有些任务则相反，验证比解决更难，比如核查一篇论文中的所有陈述往往比撰写论文本身更费精力，提出一个新的饮食假说很容易，验证其对大众是否有益却可能需要数年；还有些任务的验证与解决难度接近对称，例如计算两个 900 位数的和，验证答案与解题本身的工作量相差无几。 验证不对称性可以通过前期准备得到改善。比如竞赛数学题若有答案密钥，验证任何答案都会变得简单；编程题通过设计覆盖全面的测试用例，能快速核查代码正确性，Leetcode 正是采用了这种方式。不过，有些任务即便优化验证流程，也难以让验证变得轻而易举，比如 “说出一位荷兰足球运动员” 这类问题，即便有著名球员名单，很多时候仍需要一定的验证工作。 文章提出的 “验证者定律” 指出，AI 训练解决任务的难易程度与任务的可验证性成正比。具体而言，具备客观真理（大家对好的解决方案有共识）、快速验证（几秒内可完成验证）、可扩展验证（能同时验证多个解决方案）、低噪声（验证结果与解决方案质量高度相关）、连续奖励（易于对多个解决方案的优劣排序）等特性的任务，最终都会被 AI 攻克。这是因为在强化学习中，验证能力等同于创建训练环境的能力，而可测量的事物往往能被优化。 文中以 AlphaEvolve 为例说明，在科学创新领域，解决单个未被攻克的问题（此时训练与测试合一）极具价值。未来，验证不对称性的普遍存在将让 AI 在可验证任务上展现出更强的能力，形成 “锯齿状智能边缘”——AI 在这些任务上会远比其他任务更擅长，展现出这一概念对未来的深远影响与潜力。 --- 原文 by Jason Wei 解读：豆包 AI

Vending-Bench 是一个模拟评测环境，让 AI 扮演自动售货机运营者。系统会授予大模型一定额度的初始资金，大模型的目标是尽可能多的盈利并且维持售货机长期运营。这需要模型自动处理库存管理、订货、商品定价、成本核算等任务。模型会被赋予多种工具（如发送电子邮件联系供货商、进行网页搜索查询信息、执行计算等），整个模拟可以持续上百个仿真日，单次运行的交互上下文长度可能超过 2000 万 tokens —— 远超一般模型上下文窗口。从技术角度看，这项评测涵盖了任务建模、工具调用、网页操作和数学计算等多种能力要求，而且长期执行任务会极大考验模型持续、一致地推理和决策的能力。 Vending-Bench 通过多次独立运行来评估模型的表现和稳定性。每个模型通常运行 5 次仿真，以计算平均表现和波动。评估指标侧重于业务结果和持续性，包括最终累积的净资产收益、售出的商品总数，以及在仿真中维持运营的天数。这些指标全面反映模型既要赚钱又要不出严重差错的能力。通过这种长周期、多指标的评测，Vending-Bench 能够揭示模型在长期连续决策情境下的稳定性和弱点。 --- 材料整理：王三十九 播报：豆包 AI

7 月 AI 大事件一波接一波，从马斯克的 Grok 4 高调登场，到月之暗面推出万亿参数开源模型 Kimi K2，再到 Meta 用上亿美元挖走 OpenAI 和 Google 顶级人才，AI 行业卷出了新高度。与此同时，Perplexity 发布了 AI 浏览器 Comet，Google 则用 24 亿美元打包 Windsurf 核心团队，悄悄完成一次“非收购式收购”。 本期节目，我们轻松对谈这些 AI 新闻背后的技术亮点、战略意图与大众反应，帮你在半小时内快速掌握 AI 世界的最新动向。 内容速览 * Grok 4：马斯克的 AI 新旗舰，语音视觉全能，还能“搜老板发言” * Kimi K2：中国 Moonshot AI 开源 GPT-4 对手，万亿参数、智能体能力爆表 * Meta 挖角大战：OpenAI 核心团队被重金撬走，AGI 梦想再提速？ * Perplexity Comet：AI 搜索+助理组合拳，一场浏览器革命的预演 * Google 收编 Windsurf：24 亿买人不买公司，AI 编码领域新战线 --- 新闻整理：王三十九 播报：豆包AI