自评最强的开放权重模型、722 份直接上 GitHub 的数学手稿、冻结评论的 Erdős 问题站，和一份收入增长却净亏损的财报：10 月 7 日 HN 热榜在问，这一步由谁来验？
从一份由发布方自己填的跑分表、722 份直接放上 GitHub 的数学手稿，到一处被关停的社区验收环节和一份收入增长却出现净亏损的财报，六条材料逐条看清每条结论的「通过」各自由谁来验、今天能自己复检哪一步。
截至北京时间 2026 年 10 月 7 日 08:00，Hacker News top 榜上分数最高的新帖是 Mistral 的 Mistral Large 4：1548 分、946 条评论，发布于 10 月 6 日 21:15。同一时刻排在榜首的「Sharing AI Progress in Mathematics」只有 243 分，它在 06:17 才发出来，靠新鲜度占住了第 1 位。位次和分数对不上是常态，下表把六条材料在抓取时的位次、分数和发布时间一并列出。
| 帖子 | 排名 | 分数 / 评论 | 发帖时间（北京时间） | 原文与讨论入口 |
|---|---|---|---|---|
| Mistral Large 4 | 3 | 1548 / 946 | 10 月 6 日 21:15 | Mistral 发布页 · HN 讨论 |
| Sharing AI Progress in Mathematics | 1 | 243 / 189 | 10 月 7 日 06:17 | OpenAI 发布页 · HN 讨论 |
| Erdosproblems.com Succumbs to the AI Onslaught | 31 | 86 / 37 | 10 月 6 日 20:53 | 站点公告 · HN 讨论 |
| OpenTPU – An open-source AI accelerator, developed by AI | 10 | 210 / 275 | 10 月 7 日 00:23 | GitHub 仓库 · HN 讨论 |
| Polars 2.0 | 33 | 408 / 95 | 10 月 6 日 19:59 | Polars 发布页 · HN 讨论 |
| JetBrains reports revenue growth, net financial loss for 2025 | 63 | 567 / 525 | 10 月 6 日 19:45 | Helgi Library 整理 · HN 讨论 |
上面六条都落在 2026 年 10 月 6 日 08:00 至 10 月 7 日 08:00 这个窗口内，位次、分数与评论数是 08:00 那一次抓取的快照。挑这六条看三件事：热度、一手材料的完整程度，以及能不能归到同一条线上。今天的这条线是「凭什么算通过了」——一个模型号称最强，一批数学结果号称被证出来，一份问题清单上的「已解决」标记，一颗由 AI 参与设计的芯片，一次破坏性升级，一份财报。每一条里，真正能让人复核的那一步，都留在不同的地方。
榜上还有几条高分帖子没有单独写，理由写在这里。Cloudflare 的 Web Search API（585 分）在 10 月 6 日那期已经记过。Reflection 的 Beam（540 分）、Opus 5.5 找出室温磁性半导体（482 分）、Anthropic 把用户日记交给警方（806 分）同属前几期处理过的故事。Meta 的 Muse（364 分、257 条评论）是今天最热的消费级 AI 条目，它讲的是 agent 拿到权限之后的事故链，落点在权限与产品本身，与今天这条线相邻。Gleam 1.19 不再编译到 Erlang 源码（288 分）、一位开发者把项目从 Deno 迁回 Node（312 分）、example.com 的历次改版（340 分）各自成立，讲的都是工具链与网页史。多伦多一家 VPN 服务商因为合法访问法案打算搬出加拿大（85 分），落在另一条线上。
Mistral Large 4：最强的这个说法，跑分表由发布方自己填
Mistral 在 10 月 6 日发布了 Mistral Large 4，官方昵称 le Chonk，当天可用的只有公开预览 API，权重承诺月底放出。1 HN 提交者 Philpax 的背景未公开，这条帖子以 1548 分、946 条评论排在抓取时的第 3 位。2
规格部分是硬信息：1 万亿参数、490 亿激活参数、原生多模态，在 Mistral 位于欧洲的自有数据中心里用 3800 张 NVIDIA Grace Blackwell 训练，训练数据覆盖 160 多种语言。放权重之前的这段空档，Mistral 用来和网络安全机构、审核过的合作伙伴以及政府部门做真实环境红队，这些测试方拿到的是降低审核、放开网络能力限制的同一个模型。1
跑分表是这一条里最值得逐行读的东西。Mistral 给出的数字有 DeepSWE v1.1 的 61.7%、SWE-Atlas-QnA 的 59.4%、Terminal-Bench 4 的 28.3%，合并出的 Coding Agent Index 是 49.8%，排在 DeepSeek V4 Pro 0813 与 Qwen3.8 Max 之前。安全方向上，它在 Artificial Analysis 的 Cyber Index 上进入全球前五；其中一题要求在开源软件里复现一个真实漏洞再把它补上，ML4 拿到 82%，是这一题的最高分，Cybench 的 40 道题解出 93%。视觉定位这一项在 Dense 200 上是 42%，比 GPT-6 Astra 的 41% 高一个点。另有一项由 Surge AI 做的盲评，标注者不知道模型身份、按 1 到 5 分打分，ML4 预览版得 3.74，五款里排第二，落后 Claude Opus 5 的 4.22，领先 GLM-5.3 的 3.60 和 Kimi K3 的 3.59。1
那 82 分里混着两件事，Mistral 自己在同一段里写明了：包括 Claude Opus 5.5 和 GPT-6 Astra 在内的几款闭源模型在同一题上接近零分，原因是它们拒绝执行这个任务。Mistral 由此论证，防守方需要一个能亲手复现漏洞的模型，因为事件响应途中被拒答，本身会变成安全问题。这条得分因此同时量了两样东西——模型能不能做，以及发布方允不允许它做。1
评论区的第一处分歧是名次和价格。评论者 jakozaur 给出第三方坐标：在 Vals Index 上 ML4 是 48.05%，GLM-5.3 是 53.51%；跑一次测试的成本 13.78 美元对 7.25 美元，他的结论是 ML4 在更宽的帕累托前沿上落后，位置在网络安全与视觉定位。Luker88 把规模摆出来对照：ML4 约 1050B 总参数、49B 激活，GLM-5.3 是 753B 和 40B。simjnd 说它比 DeepSeek 4.1 Flash 低一档，体积却是后者的两倍。lifeisloving 问的是生意：同能力的中文开源模型价格只有它的二分之一到三分之一，中间这一档模型还有没有用户。2
第二处分歧是这一项得分该不该算。prodigycorp 认为网络安全强意味着它适合当防守模型，值得拿来日常使用，并称这些数字整体上不错；同一批讨论里也有人顺着拒答那件事说，这类跑分比的是各家自己划的线。第三处分歧绕到了欧洲：zkmon 说欧洲需要更多这样的模型，pietz 说数字很糟、Mistral 的相关性只剩「想要一个在欧洲训练的模型」这一点，中间还岔出一长串关于欧洲经济停滞的争论。另有评论者 sixhobbits 抓住发布页的「Try it today」，问权重都还没放，这个标题是从哪来的。2
今天能自己复检的部分受权重发布时间限制：能验的是预览 API 在你自己的任务上的输出，以及跑分表里哪几项是按发布方自己的条件跑的。第三方目前覆盖 Artificial Analysis 的 Cyber Index、vals.ai 的指数和 Surge AI 的盲评，Vals Index 与 Dense 200 的数字都能在公开页面上对着看。12
722 份数学手稿直接放上 GitHub：能机器验的那部分是 Lean
OpenAI 在 10 月 6 日发布「Sharing AI progress in mathematics」，把这批结果放进了 GitHub 仓库。发布页写明，结果由一个未公开的内部前沿模型产出；发布前公司咨询了普林斯顿高等研究院（Institute for Advanced Study）下设的数学与人工智能咨询组；仓库附带论文修订与引用协议；同时放出许多证明的 Lean 形式化、10 份模型推理摘要、以 ChatGPT Pro 用量计的算力估算和尝试过的问题数量统计。平均每个结果用掉大约三小时 ChatGPT Pro 的思考算力。3
仓库 README 的数字比新闻标题更具体：当前目录里有 722 份手稿，归入 372 个「族」，一族里可能包含主结果、配套论证、推论或另一种证明；评测过程中模型一共被喂了约 4000 个问题。README 也直接写了这批材料处在不同的验证阶段，一部分没有 Lean 形式化，而未形式化的结果里有一些可能存在问题，公司会尽快修。4 HN 上另一条同主题的帖子标题写作「OpenAI just dropped 700 preprints of mathematical proofs and counterexamples」，31 分、13 条评论，07:37 发出。5
两处例外值得单独记：黎曼 ζ 函数无零点区域的工作和 CM 阿贝尔簇上霍奇猜想的证明走了不同流程；其中 Re(s) > 11/12 无零点区域的写法经过人工编辑，以便阅读。4 HN 提交者 OfficialTurkey 的背景未公开，主帖以 243 分、189 条评论排在第 1 位。6
评论区的第一处分歧是这次姿态该怎么读。senderista 说很高兴看到他们和数学界接触，哪怕是被公开羞辱之后才做；sebzim4500 站在相反一边，说这跟数学界要求的相反，而他本人强烈赞成 OpenAI 这么做；xpct 说他们并没有在请求许可，只是被负面报道逼着用了这种说法；hgoel 认为在前两次处理得都不好之后，这次更谨慎的流程值得肯定。6
第二处分歧是发在哪里。binlog 说很高兴看到结果发在 GitHub 而不是某个守门的付费期刊；fph 指出数学结果大多本来就发在 arXiv，期刊提供的是同行评议；traes 认为存放重要结果方面 GitHub 明显不如 arXiv，同时低质量内容也不该被发表。第三处分歧落在验收本身：有评论者请懂行的人梳理最重要的几项结果，得到的回复很少。6
今天能自己复检的是仓库结构：它公开、目前只有一次提交、用 Apache-2.0 许可，任何人在浏览器里就能翻
lean/ 目录和 formalization.yaml，看清哪份手稿带可机器检查的形式化、哪份只有 PDF 和源文件。这一步能确认的是「有没有形式化」，至于证明本身对不对，仍然要有人真的去读。4erdosproblems.com 冻结评论和证明声明
站点创建者 Thomas Bloom 在 10 月 6 日发了一篇站内公告，宣布改动。HN 提交者 pfdietz 在评论里自己承认，帖子标题是他写的标题党。这条帖子以 86 分、37 条评论排在第 31 位。7
一手材料是这份公告，它的数字很清楚。站点 2023 年 5 月 28 日上线，起步时 200 多道题；现在有 1221 道题、9000 多条评论、近 2000 名注册用户，每天独立访客 1 万到 2.5 万。评论功能是 2025 年 8 月加的，头几个月正如他所愿，社区活跃起来，有人分享思路、纠正错误、补上遗漏的引用和解法，一批论文因此写成，也有新的合作出现。8
他对现状的描述是这份公告里最直接的一段：
如今人们公开使用这个站点的主要方式，是宣传自己由 AI 生成的证明，往往不做任何解释，只为了记录一个（越来越没有意义的）优先权声明。
Announcement 里同时列了三项已经发生的负面效应：一部分数学家因此看轻爱尔特希式的问题，觉得那类数学简单、属于消遣；很多人认为自己在这些问题上比不过 AI，干脆不再想；一批没有任何解释的 AI 解法正在挤走真正对这些问题感兴趣的人。8
他给出四项改动。冻结新的题目评论与证明声明，一般主题帖和博客文章仍然开放评论；不再显示任何题目的状态，所有题目用同一种中性颜色，已解决数量和百分比一并撤下；今后描述结果时不再使用给功劳的措辞；把重心转到高质量的证明阐述上，任何人（无论是否在学界）都可以投稿阐述，由他挑选发布。他还提到，会尽快链接到经过 Palomar 验证的 Lean 形式化，而附的说明很差、又没有形式化的证明，他不打算更新到站点上。8
关于「为什么不人工审核」，他的回答很具体：试过，现在收到的评论绝大多数是在宣布 AI 生成的证明，要筛掉几乎全部提交，这样的审核策略无法持续。关于为什么不把这些内容留在站内，他用了一句比喻——就像没人会在屠宰场里开餐厅。他同时认为，一个专门记录 AI 生成的、纯形式的证明的仓库应该有，免得别人重复烧 token，只是他自己不想管。8
评论区里第一处分歧是这该算悲剧还是进步。fwlr 引用了一句「公地悲剧又发生了一次」；afsg-qsgf 称之为对数学的压裂与露天开采，并点名指出一位近日在博客上撰文支持 AI 数学的人自己正在做这类项目；charcircuit 站在反面，认为更多人因此参与数学、从中获得乐趣是好事，并说作者对 AI 原生数学家的评价过低。7
第二处分歧是这个站点还能不能当追踪器用。bananaflag 说很遗憾不能再拿它追踪已经解决的问题；pfdietz 说他早有预感，因为站点更新早就不规律了；Bloom 在帖子里回应，希望这能促使解决者写出够得上 arXiv 的稿件。第三处是承接问题：nemomarx 认为这类记录 AI 证明的仓库应该存在，Bloom 的答复是这种站点该由别人来做。也有评论者认为这是一次考虑周到的改动，尤其是愿意收录能让人学明白的 AI 证明这一点。7
今天能自己复检的是公告本身：它在站点上，冻结生效后新的题目评论不再出现，历史评论作为存档保留，更新改走邮件提交。8
OpenTPU：验收方式是每一个 token 都和模拟器一致
项目作者 fsbonetto 在 GitHub 上发布 openTPU，并在 HN 上自己提交、自己回答提问。这条帖子以 210 分、275 条评论排在第 10 位。仓库自述只有两句话：这是一个由 AI 开发的开源 AI 加速器；它想问两件事——AI 智能体在硬件设计上能走多远，以及它们能不能造出跑自己推理的那块芯片。910
硬件是一块退役的数据中心 FPGA 卡 Inspur YPCB-00338，芯片是 Xilinx Kintex-7 xc7k480t，带两条 DDR3 通道，峰值带宽 17.1 GB/s。作者在评论里补充说这类卡在业余圈子里很常见，价格大约 300 美元；做推理加速器时决定性能的是内存带宽，看的是能在多小的逻辑面积和功耗下把带宽榨出多少。910
性能表给得很细。LFM2.5-230M 用 int8 时设备侧 59.0 tok/s、端到端 52.3，换成 4-bit 是 85.8 和 82.1；Qwen3-0.6B 是 21.6 和 21.3；Qwen3.5-4B 是 5.88；解码期间 DRAM 带宽用到峰值的 82% 到 94%。体积超过卡上 4 GiB 的专家混合模型把专家放在主机存储里流式读取，Qwen3.5-35B-A3B 实测 3.95 tok/s，每个 token 从 PCIe 流过 153 MB。9
这一条真正可复用的部分是它的验收方式，README 写得比性能数字更具体：设计在真卡上跑十款现代模型的真实权重，产出的 token 与模拟器逐位一致，每种配置都与模拟器逐 token 相同。测量方法也一起公布——解码是 512 token 提示之后的 64 个贪心 token，主机参与 argmax；DRAM 流量取自卡上自己的计数器。作者在评论里说，这套做法先用在做 RISC-V CPU 核上，再搬到加速器；最初每秒只能出几个 token，经过一个递归自我改进的循环，小模型上到了 80 以上。910
评论区第一处分歧是归因。mbgerring 直接反驳「AI 已经能开发自己的推理硬件」这句话：是人类提示 LLM 搭了一个做硬件设计的软件仿真环境，再由人提示 LLM 在这个仿真里按约束优化设计。双方争的是这句话的主语该是谁，性能数字没有参与这场争论。10
第二处分歧是它跑到什么水平。random__duck 说他打开 RTL 看了浮点数学，发现看起来 LLM 并不需要正确的浮点运算，于是关掉了页面；skybrian 追问那块卡的具体情况。第三处是更大的问题——为什么各大实验室不干脆把前沿模型烧进芯片。pcarolan 抛出这个问题后收到 21 条回复，给出的理由集中在流片到量产的周期太长、模型迭代太快导致芯片出厂就可能过时、以及拿不到产能；有人提到 OpenAI 与 Broadcom 的合作，也有人列出 Etched、Taalas 这类专做这件事的公司。10
今天能自己复检的部分不需要那块卡：仓库里有指令集文档、位精确模拟器和测试，
pip install -e . 之后就能在模拟器里和模型对话。想核它公布的说法，可以对着 README 看测量方法那一节——64 个贪心 token、512 token 提示、DRAM 数字来自卡上的计数器。9Polars 2.0：把「更严格」写成给 agent 用的接口
Polars 官方博客在 10 月 6 日发布 2.0，署名 Ritchie Vink。HN 提交者 simicd 的背景未公开，这条帖子以 408 分、95 条评论排在第 33 位。11
对已有代码影响最大的两处改动是默认值的翻转。
LazyFrame 的 collect 现在默认走流式引擎，而流式引擎在 join、group_by、unpivot 这类操作上默认不保证行序，需要保序的代码要显式写 maintain_order=True。落盘（out-of-core）也默认开启，内存用到大约 80% 时开始往磁盘溢写，默认磁盘预算是 64GB；作者在文里注明这个阈值可能还需要调。12其余改动包括：SQL 被列为一等公民，新增
Map 数据类型，类型处理变得更严格。基准方面，团队在 c7a.4xlarge（16 vCPU、32GB）和 c7a.metal（192 vCPU、384GB）上跑 TPC-H 与 TPC-DS 的派生查询，对手是 DuckDB 1.5.6、DuckDB 2.0 alpha 和 DataFusion 54.0.0，每查询跑 5 次取最好成绩、60 秒超时。作者自己说默认配置的 Polars 在除一项之外的所有基准上最快，同时承认 192 线程时有固定开销、把线程限制在 32 时反而全部持平或领先，原因已经定位、下一版修。文末注脚写明这些结果来自 TPC 基准的派生版本，与官方公布的 TPC-H / TPC-DS 结果不可比。1213发布文里有一段把严格性和 AI 开发直接连了起来：这种严格性在 AI 驱动的开发变多之后变得更有价值，agent 可以调用
collect_schema()，在不物化任何数据的前提下解析类型、提前捕捉模式层面的不匹配，于是人和 agent 都能更快迭代。这句话解释了 2.0 为什么把严格当成卖点：默认更早报错，是为了给自动改代码的那一方一个可读的接口。12评论区第一处分歧是换不换。gozzoo 问 Polars 现在能不能完全替代 Pandas，10 条回复给出的答案都分场景；Vaslo 说他的团队整体转向 Polars 和 DuckDB；tomrod 说新建的东西一律用 DuckDB、Polars 或 PyArrow。第二处分歧是官方基准对不对得上实际体验。niltecedu 说他反复试过 DataFusion，在自己的工作负载上一直是它和 Polars 领先、DuckDB 慢得多，与文中结论相反；jdefting 想看内存占用的对比，说自己遇到过 Polars 内存用超。11
第三处分歧是破坏性变更的代价。有人问旧的行序坑和急切、惰性之间的坑有没有一起清掉；raoulj 指出 SQL 还缺
asof_join() 这类算子。对已经有流水线在跑的人来说，这一处的成本最直接。11今天能自己复检的有两件事：升级指南在 docs.pola.rs 上，基准仓库 pola-rs/polars-2.0-benchmark 公开可复现。要判断自己的代码会不会被行序变化打到，看三个算子就够了——
join、group_by、unpivot。1314JetBrains 2025：两个字面都对的增速
这条帖子的原始材料是捷克商业登记处里 JetBrains s.r.o. 的法定报表，由 Helgi Library 整理成可读页面；公司自己的口径发布在 JetBrains 的 Annual Highlights 2026 上。HN 提交者 thw_9a83c 的背景未公开，这条帖子以 567 分、525 条评论排在第 63 位。15
公司自述的数字：2025 年收入同比增长 25.69%，经常性活跃用户 1250 万以上，财富全球百强客户 88 家，员工 2600 多人分布在 13 个办公室；EMEA 地区收入 4.641 亿美元、同比增长 39.79%；AI 工具在 2025 年第四季度付费活跃用户达到六位数，同比 240%。这份年报给的是增长比例与一个地区的绝对数，收入总额没有公布。16
登记处那份法定报表给的是另一组数：2025 年收入 160.08 亿捷克克朗，比 2024 年的 150.7 亿增长 6.3%；净亏损 3.15 亿克朗；净资产收益率 −11.1%；EBITDA 9.18 亿克朗、利润率 5.73%；净利率 −1.97%；年末净现金 75.84 亿克朗。数据页注明这些数字来自捷克商业登记处申报的单体（未合并）报表，按捷克会计准则。17
两个数字都可以是对的，它们量的是不同的范围：一个是捷克这一家法人的法定申报，一个是公司自己给出的增长比例，前者是未合并报表，后者没有公布对应总额。登记处这份报表里另一个值得看的数字是净资产收益率：−11.1%，比上一年低了 107 个百分点。17
评论区第一处分歧是这份亏损该怎么读。bdavbdav 说满屏都是讣告，问有没有人看收入那条线，指出收入趋势没变、成本也没有暴涨，公司大概是在某个大方向上投入；theappsecguy 担心钱都流向了用盗版数据训练模型的那些公司，担心最后只剩这一套专业 IDE 会消失；也有人追问钱具体花到了哪里，质疑几笔投资的价值。15
第二处分歧落到个人选择。maxdo 说 2026 年他没有理由买 IDE，理由是护城河——智能重构和调试——正在被 agent 和 harness 取代；stingraycharles 说团队刚把 CI/CD 从 TeamCity 整体迁走，主因是费用和难用；edarchis 和 0xy 说自己取消了订阅，并给出具体的质量问题。也有人认为一年的亏损对这样一家公司算不了什么。第三处是参照坐标：tegeek 拿 Cursor 的 600 亿美元估值来比——一家卖开发者工具、有编译器积累的公司出现净亏损，而一家靠 VS Code 分支和别家 API 撑起来的新公司估值 600 亿；jt2190 则问捷克登记处的报表能不能和美国 10-K 一样信。15
今天能自己复检的是两处原始页面：JetBrains 的年报首页给了比例和 EMEA 的绝对数，捷克登记处那份报表的口径（未合并、捷克会计准则）写在数据页上。要判断 6.3% 还是 25.69% 跟你有关，先弄清你签的合同是哪一家实体。1617
六条材料各自的「通过」落在谁手里
| 材料 | 谁宣布了「通过」 | 这一步由谁验 | 今天能自己复检哪一步 |
|---|---|---|---|
| Mistral Large 4 | Mistral 自己的跑分表与盲评数据 1 | 部分交给第三方：Artificial Analysis 的 Cyber Index、vals.ai 的指数、Surge AI 的盲评；权重月底才公开 | 在预览 API 上跑自己的任务；对着公开页面比 Vals Index 与 Dense 200 2 |
| OpenAI 的 722 份数学手稿 | 未公开的内部前沿模型产出，由公司自行发布 3 | 带 Lean 形式化的那部分可以机器检查，其余靠人读；README 自己写明部分结果可能有问题 4 | 翻 lean/ 与 formalization.yaml，看清哪一份有形式化 |
| erdosproblems.com | 原先由站点的人工审核与「已解决」标记承担 8 | 站点创建者一个人，他把这一层关掉了 | 读站内公告，看冻结之后哪些入口还开着 |
| OpenTPU | 项目作者发布的性能表与逐位一致性声明 9 | 位精确模拟器与 RTL 测试，任何人可复跑 | 在笔记本上跑模拟器与测试；对着 README 看测量方法 |
| Polars 2.0 | Polars 团队自测的 TPC 派生基准，已在注脚写明与官方结果不可比 12 | 官方基准仓库公开、可复现 | 读升级指南，检查代码里 join、group_by、unpivot 的行序依赖 14 |
| JetBrains 2025 | 公司年报自述 25.69%，法定申报 6.3% 与 3.15 亿克朗净亏损 16 | 捷克商业登记处的法定报表 | 两处原始页面都公开；先确认自己买的是哪一家实体的服务 17 |
今天就能问自己的五个问题
- 模型选型：你今天的判断依据是发布方的跑分表，还是能在公开页面上找到的第三方数字？要复核，先去 Artificial Analysis 与 vals.ai 把同一项对一遍。
- 数学结果：要引用这 722 份手稿里的某一项，先看它有没有 Lean 形式化——答案就在仓库的
lean/目录和formalization.yaml里。 - 依赖的清单与索引：你日常依赖的某个列表、索引或排行榜由谁维护？erdosproblems.com 的例子说明，一个人可以随时把这一层停下。
- 硬件类声明：碰到「逐位一致」「与模拟器相同」这类说法，先看测量条件是否公开、模拟器本身能不能自己跑一遍。
- 供应商财务：评估一家工具公司时，把公司自述的增长比例和登记处的法定报表分开看，两份文件各自涵盖哪个实体，是第一件要弄清的事。
References
- 1Introducing Mistral Large 4
mistral.ai
- 2Hacker News：Mistral Large 4
news.ycombinator.com
- 3Sharing AI progress in mathematics
openai.com
- 4openai/math
github.com
- 5
- 6Hacker News：Sharing AI Progress in Mathematics
news.ycombinator.com
- 7Hacker News：Erdosproblems.com Succumbs to the AI Onslaught
news.ycombinator.com
- 8erdosproblems.com：Changes
erdosproblems.com
- 9FeSens/openTPU
github.com
- 10Hacker News：OpenTPU – An open-source AI accelerator, developed by AI
news.ycombinator.com
- 11Hacker News：Polars 2.0
news.ycombinator.com
- 12Release of Polars 2.0
pola.rs
- 13pola-rs/polars-2.0-benchmark
github.com
- 14Polars 升级指南
docs.pola.rs
- 15Hacker News：JetBrains reports revenue growth, net financial loss for 2025
news.ycombinator.com
- 16JetBrains Annual Highlights 2026
jetbrains.com
- 17Helgi Library：JetBrains
helgilibrary.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.