OpenAI称推翻ETH引热议，Meta豪赌AI基建

当AI开始"做科学"：一场关于计算极限的豪赌

OpenAI本周宣布与学术合作者共同取得三项AI辅助发现，横跨数学、计算机科学与物理。其中最受关注的是计算机科学方向的一篇预印本：论文描述了一种确定性算法，声称能在次指数时间内精确计算某类KCNF公式的可满足赋值数量。如果该结果成立，将直接挑战计算复杂性理论中的基石假设——指数时间假设（ETH）。

ETH由Russell Impagliazzo与Ramamohan Paturi提出，猜想3SAT问题无法在次指数时间内求解。该假设从未被证明，但大量细粒度复杂性下界都建立在其上。正因如此，任何声称推翻它的结果都会被视为数十年来理论计算机科学中最令人意外的成果之一。

谨慎的兴奋：银河算法与现实距离

社区反应热烈但克制。Hacker News上约500条评论中，不少技术评论者指出该算法的运行时间约为2^(n/√log n)，属于典型的"银河算法"——常数因子巨大，实际中无法使用。它既没有解决P vs NP问题，也不意味着所有NP问题都变得次指数可解，因为归约过程可能使实例规模急剧膨胀。

据讨论，验证工作正由Impagliazzo、Paturi与Ryan Williams等人主导，且要求进行Lean形式化。但独立评审仍在进行中，物理方向的成果尚未发布。有评论者肯定OpenAI这次在发表前引入数学家的做法，也有人将其视为潜在IPO前的公关造势，并对未公开的物理研究由封闭小圈子处理表示担忧。

KCNF公式是合取范式（CNF，Conjunctive Normal Form）的一种带计数约束的变体，其中每个子句附带关于其中真实文字数量的精确约束（例如"恰好k个文字为真"）。标准CNF的#SAT问题要求计数满足所有子句的赋值个数，属于#P完全问题；KCNF因额外引入基数约束，常被用作研究计数复杂性精细结构的基准。该问题与3SAT的联系在于，若能在次指数时间内精确求解KCNF计数，可通过归约冲击3SAT的次指数下界，这正是该预印本威胁ETH的机制所在。

**指数时间假设（ETH）**由Impagliazzo与Paturi在2001年正式提出，其核心陈述是存在常数c>0，使得3SAT无法在O(2^(cn))时间内求解，等价形式是3SAT不存在2^o(n)算法。ETH强于P≠NP，因为即便P≠NP，3SAT仍可能有2^(n^0.99)这类次指数但非多项式的算法。基于ETH，研究者已建立起数千条细粒度下界，涵盖编辑距离、正交向量、支配集等问题，因此推翻ETH将连带推翻这些结果的条件基础。

**银河算法（galactic algorithm）**一词由Ken Birman等人在讨论分布式系统时推广，指理论运行时间优于已知方法、但常数因子或低阶项大到在任何现实输入规模下都无法实际运行的算法。判定标准通常看交叉点：若某算法渐近更优，但需要n超过宇宙原子数才能胜过简单方法，就属于银河算法。2^(n/√log n)这类界相对2^n确有渐近优势，然而在n为数百量级时，前者仍远超可计算范围，且实现中的多项式因子与内存开销会进一步放大差距。这也解释了社区为何在承认理论意义的同时，对其实际可用性保持冷静。

Lean形式化指使用Lean 4定理证明器及其数学库Mathlib，将论文的算法正确性与复杂性论证写成机器可检验的证明。与人工评审相比，形式化能排除微妙的手滑错误，但对复杂性理论这类涉及算法与渐近分析的论证，形式化成本极高，且需先完成非形式化证明的社区共识。要求形式化在此语境下是一种高门槛的验证姿态，而非即时可完成的步骤。

GPT-6.1 Tera：中端模型的定价与定位困境

OpenAI同步推出了中端模型GPT-6.1 Tera（素材中亦出现GPT-6.1 Terra的写法），主打视觉推理、计算机使用与更清晰的写作能力。定价为每百万输入token 1美元、每百万输出token 5美元，约为上一代GPT-5.6 Tera及更大模型GPT-6.1 Sol价格的一半。

OpenAI称，在中等推理强度下，Tera在计算机使用任务上比GPT-5.6 Tera高出15分，成本约为后者的三分之一；在同一任务上可匹配旗舰GPT-6 Astra，而每token价格仅为其十分之一。不过一位OpenAI员工在Hacker News上承认，Tera在大多数其他任务上落后于Sol。

开发者欢迎它在廉价智能体与自动化场景中的表现，但最高赞评论将其称为"奇怪的老二"——在编码任务上按成本计算，Sol往往更划算。最集中的抱怨是命名体系：Luna、Tera、Sol、Astra加上版本号与推理强度等级，让模型选择变得异常困难。

Cloudflare事故复盘：共享推理栈的隔离失效

Cloudflare披露了一起跨客户数据泄露事件：8月27日至9月9日期间，其Workers AI平台上GLM 5.3模型的155条响应中包含了其他客户近期请求的数据。所有受影响请求的提示长度均超过约681,000 token。

两个问题叠加所致。其一是配置错误：模型宣称上下文窗口约105万token，但预填充节点上的KV缓存池仅能容纳约681,000 token，而Cloudflare在发布前已知晓这一不匹配。其二是开源推理引擎SGLang的缺陷：在预填充与解码分离模式下，超长请求虽被标记为拒绝，却仍进入了缓存传输流程，导致解码节点在持有他人数据的过期缓存页上继续生成，并返回成功状态码。修复已包含在SGLang 0.521与0.522版本中。

Cloudflare同时承认，发布前测试仅检查状态码与性能，从未验证输出内容是否正确——这是整起事件中最值得所有推理服务运营者警惕的一点。评论者普遍赞赏其坦诚与快速响应，并指出问题与GLM模型本身无关，而是共享服务中的隔离与记账失败。

**预填充与解码分离（prefill-decode disaggregation）**是当前大模型推理服务的主流架构：预填充阶段并行处理整个提示并计算KV缓存，解码阶段则逐token自回归生成。两者对算力与内存的诉求不同，分离部署可提升利用率与吞吐。KV缓存存储每个token在每层注意力中的键值向量，是长上下文推理的主要内存开销；缓存页通常在请求结束后被回收或复用。当拒绝逻辑与缓存传输路径不一致时，被标记为超长而拒绝的请求仍可能把其缓存页传给解码节点，若记账系统未将页与请求所有权严格绑定，解码节点就会在他人数据上继续生成，形成跨请求泄露。此类缺陷的防护依赖于请求级隔离、缓存页清零与输出内容校验，而非仅依赖状态码。

资本侧写：Meta的950亿美元AI融资

Meta宣布计划通过股权融资筹集最多950亿美元用于AI基础设施。交易以350亿美元的承销发行启动，随后扩大并定价为375亿美元，之后可能最早在2027年第一季度启动600亿美元的按市发行计划。NVIDIA、AMD与Broadcom均表示有兴趣合计购买最多50亿美元，但不具约束力。

这将是Meta自2013年以来首次增发新股。上一季度其资本支出接近350亿美元，自由现金流为负21亿美元，全年资本支出指引为1350亿至1450亿美元。换言之，AI支出已超出Meta自身现金创造能力。芯片厂商购买自己客户的股票，进一步收紧了AI交易中的循环融资链条。消息公布后Meta股价下跌约1.6%。

开发者生态快讯

从零构建推理模型课程。 Sebastian Raschka发布了一门11小时视频课程，包含8个编码视频，在小型预训练Qwen3模型上用PyTorch从零实现推理技术，作为其《Build a Reasoning Model from Scratch》一书的配套。内容从KV缓存、数学答案验证器，到推理时扩展（自一致性与自精炼），再到使用GRPO的带可验证奖励强化学习，最后是从DeepSeek^广告 R1答案蒸馏。其价值在于把现代推理技术栈压缩到笔记本规模。

TypeServer协议。 微软发布TypeServer协议0.4.1版本，这是一个JSON-RPC协议，让编辑器就导入解析、搜索路径与代码推断类型向类型服务器提问。目标是将Pylance的编辑器功能与底层类型检查器解耦，同时宣布将Meta的Pyrefly检查器引入Pylance。0.x版本仍允许破坏性变更，社区对协议命名过于通用、以及纯Python协议是否合理存在争论。

其他动向。 光学股周一反弹，Lumentum在StoneX以1200美元目标价启动覆盖后收涨约8%，Coherent涨近6%；亚洲芯片股周二跟涨，韩国KOSPI盘中涨超4%，日经指数涨近2%。Simon Willison评估了WebReframe——一个从命令行在隐藏浏览器视图中运行网页的工具，结论是它本身不是沙箱，只有网络隔离、临时配置与超时叠加才能抵御其攻击测试。另有博主发现1993年的FreeCell在Windows 11上仍可原样运行。

编辑观察

这一天的主线是AI从"辅助工具"滑向"知识生产者"：一边是可能改写复杂性理论的预印本，一边是定价与定位仍然混沌的模型矩阵。前者需要耐心等待形式化与独立评审，后者则提醒我们——模型能力之外，命名与成本结构本身也是产品体验。Cloudflare的复盘给出了最实际的教训：推理服务的发布检查不能只看状态码。而Meta的融资计划与芯片厂商的认购意向，则把AI资本循环推到了更显眼的位置。