AI日报：Claude自主任务超16小时，GPT5.5证明数学定理

概览

2025年5月10日，AI行业迎来密集的重磅消息：Anthropic的Claude模型在自主任务上突破16小时门槛，GPT 5.5 Pro协助菲尔兹奖得主完成数学证明，DeepSeek加速多模态布局，百度文心5.1正式发布，Cloudflare因AI效率提升裁员20%。本文逐一梳理这些关键动态，并给出深度解读。

Claude Mythos Preview：自主任务能力跨入"隔夜"级别

Anthropic员工Alex Albert披露，评估机构METR近期对Claude Mythos Preview早期版本进行了风险评估。在228项任务套件中，该模型达到50%成功率对应的估计时长超过16小时，是此前最优模型的两倍以上。

这一数据的意义在于，前沿模型正从"数小时级"任务向"隔夜级"任务跨越。当模型能够在无人监督的情况下持续执行复杂任务超过半天，意味着我们正逐渐逼近无人托管部署的实际门槛。当然，METR也指出套件中超过16小时的任务样本较少，这一区间的测量统计存在不确定性，但趋势本身已经足够引人关注。

对于企业用户而言，这意味着未来的AI Agent可能真正胜任那些需要长时间自主运行的工作流——从代码审查到数据管道监控，从文档生成到复杂的多步骤研究任务。

GPT 5.5 Pro：一小时内完成数学家数周的证明工作

剑桥大学教授、菲尔兹奖得主Timothy Gowers在个人博客中透露，他使用尚未公开发布的ChatGPT 5.5 Pro，在一个小时内完成了关于合级直径上界估计的数学证明。此前该问题仅被证明存在指数级上界，而模型在多次交互迭代下自主将上界改进为多项式级。

审阅过该证明的MIT学生认为其"逻辑严密且思想巧妙"，达到了人类数学家需要苦思数周才能产出的水平。不过需要注意两个关键限制：第一，模型尚未公开发布；第二，证明过程包含了人类交互引导，因此目前还无法进行独立的端到端复现。

尽管如此，这一案例标志着大语言模型在数学推理领域的能力已经从"辅助计算"迈向"协作创造"。如果GPT 5.5 Pro正式发布后能稳定复现类似表现，将对数学研究的工作范式产生深远影响。

DeepSeek：多模态内测开放，V4.1剑指全模态覆盖

DeepSeek近期大幅放开了实图模式的内测权限，多数账号已可在对话界面上传图片进行语义理解与跨媒介交互。据多家媒体报道，DeepSeek计划在6月推出V4.1模型，补齐图像与音频处理能力，实现全模态覆盖。新版本预计还将支持MCP协议，打通企业及工具链生态。

目前实图模式仍处于内测状态，具体能力边界和稳定性有待正式发布后观察。但从战略节奏来看，DeepSeek正在加速从"纯文本强者"向"全模态平台"转型，这与OpenAI、Google等国际厂商的路线趋同。

百度文心5.1：参数压缩三分之二，成本降至6%

百度正式推出文心大模型5.1，已上线千帆模型广场和文心一言。新版本采用多维弹性预训练技术，将总参数压缩至5.0版本的约三分之一，预训练成本降至同规模业界模型的6%。

在LMSYS Arena的搜索榜单中，文心5.1评分位列国内第一、全球第四。不过需要指出，搜索能力评测与实际搜索体验存在差异，其API服务的稳定性和并发吞吐表现还需开发者进一步测试反馈。

文心5.1的核心亮点不在于"更大"，而在于"更高效"。在大模型竞争进入下半场的当下，参数效率和推理成本正成为比拼的关键维度。百度此举表明，国内头部厂商已经开始从"堆参数"转向"降成本、提效率"的务实路线。

Cloudflare裁员20%：AI替代人力的连锁反应开始了

Cloudflare宣布裁减约20%的员工，总计约1100人。CEO Matthew Prince明确表示，裁员并非因为业绩下滑，而是AI技术大幅提升了运营效率，使公司能在收入创下历史新高的同时以更精简的结构运作。

数据显示，Cloudflare内部的AI使用量在过去三个月内增长了600%。这是一个值得高度关注的信号：当头部科技公司将"AI替代人力"正式写入财报的成本核算逻辑中，可能会在企业服务赛道引发连锁反应。其他公司的管理层会开始思考——如果Cloudflare能用AI减少20%的人力，我们是否也可以？

其他值得关注的动态

阶月星辰语音模型全球第三

在第三方评测机构Artificial Analysis的语音竞技场盲测排行榜中，阶月星辰的Step Audio 2.5 TTS模型位列全球第三，成为该榜单排名最高的中国语音合成模型。该榜单基于真实用户双盲偏好投票，反映了模型在自然度与情感表达方面的社区认可度。

蚂蚁集团万亿参数模型现身Hugging Face

据Reddit社区线索，蚂蚁集团研究院已将名为Ling2.6-1T的万亿参数模型发布至Hugging Face。该模型针对实际复杂场景优化了推理效率和Token开销，特别适配编码与日常Agent工作流。不过目前暂未看到官方正式确认，实际表现有待权重验证和独立测试。

开源工具：GPT Image 2 PPT Skills

社区开发者Junyao在GitHub上开源了GPT Image 2 PPT Skills项目，利用GPT Image 2模型将文字或模板直接转换为视觉风格强烈的幻灯片。目前该项目强依赖特定模型的图像理解能力，文字渲染准确性和版式排版仍需人工校验。

肿瘤决策AI系统

Onco Agent研究团队在Hugging Face发布了技术预印本，展示了一个结合双模型架构、八节点拓扑与分级检索生成的肿瘤决策系统。由于基于合成数据且尚未经过大规模临床盲审，现阶段主要提供多智能体安全架构的工程参考，不能直接应用于实际医疗诊断。

总结与展望

今天的AI行业动态呈现出几个清晰的趋势：模型自主能力的时间尺度正在拉长（Claude 16小时+），数学推理能力正在接近专家水平（GPT 5.5 Pro），全模态覆盖成为标配（DeepSeek V4.1、文心5.1），而AI对就业市场的冲击已经从预测变为现实（Cloudflare裁员20%）。

对于从业者而言，关注模型能力边界的扩展固然重要，但更值得思考的是：当AI能够自主工作16小时、能够辅助完成顶级数学证明时，我们自身的工作方式和价值定位需要如何调整？