arXiv AI 前沿日报｜8 月 14 日：AI 证明、逐步检索与推理脚手架

这三篇把模型之外的增量放在三个不同位置：一篇让 AI 参与提出数学证明策略，一篇把已解例题逐步塞回推理轨迹，另一篇让强模型直接编排弱模型的运行环境。读论文时，先分清增量究竟来自模型、外部材料，还是 harness。

本期按已打开的 X/Twitter 直接讨论回看近 72 小时；按下文顺序，三篇 v1 分别提交于北京时间 8 月 12 日、11 日与 13 日。Reddit、Hacker News 均未找到对应论文的直接讨论，互动指标只保留 X 的原生口径。

论文：No compromise in the liquid drop model（arXiv 2608.11517） v1：2026 年 8 月 12 日 08:12（北京时间）1

作者与机构：Otis Chodosh—Stanford University 数学系；Matilde Gianocca—ETH Zürich 数学系。2

论文解决的是 Gamow 液滴模型的极小元阈值。能量同时计算周长与 Coulomb 能：前者偏爱一个球，后者偏爱把质量分开。作者证明，当体积 V≤V* 时，球体是唯一极小元；当 V>V* 时，极小元不存在，其中 V*≈3.51。此前 Chodosh 与 Ruohoniemi 只证明到 V≤1。这是一篇数学论文，没有原创实验。2

最值得注意的是作者的 AI 声明：结果由 ChatGPT 5.6 Pro 在多轮对话中得到，作者检查并改写了证明，但基本策略仍接近模型原始输出；正文没有直接使用 AI 生成文本。证明把锐化的容量估计、Agostiniani–Mazzieri 单调性公式与 Gauss–Bonnet 串在一起。这里能确认的是 AI 参与发现策略并留下完整证明，不能把作者声明当成外部数学家已逐步复核关键估计。2

X 上的几何分析学家 Steve McCormick 于北京时间 8 月 13 日 14:51 讨论这篇论文；抓取时为 111 赞、9 转、5 回复、8,774 浏览。本期三篇中，这条直接讨论最强。3

精读前先核对：AI 使用声明交代了参与方式；论文仍是尚未同行评审的预印本。

论文：ThinkRetrieve: Retrieval-Augmented Reasoning Traces for Test-Time Scaling（arXiv 2608.10928） v1：2026 年 8 月 11 日 21:58（北京时间）4

作者与机构：Vaibhav Singh¹、Soumya Suvra Ghosal²³、Sarvesh Gharat¹、Soumyabrata Pal³、Ramasuri Narayanam³、Dinesh Manocha²。¹IIT Bombay；²University of Maryland, College Park；³Adobe Research。Ghosal 的大部分工作在 University of Maryland, College Park 完成。5

标准顺序式测试时扩展会让模型继续自我反思，但推理链越长，错误也可能一路累积。ThinkRetrieve 在每个步骤生成中间答案，再用「原题 + 中间答案」检索相似的已解例题，把命中的完整解法作为 in-context example 注入当前轨迹。形式上，轨迹从 x→z→y 变成 x→z₁→e₁→…→zₖ→eₖ→y，并受 token 预算 B 约束。5

实验覆盖 5 个 1.5B—8B 推理模型与 GSM-8K、MATH-500、AIME 2025、SciQ 四个基准。AIME 2025 上，Qwen3-1.7B 的标准顺序 TTS 为 22.2%，ThinkRetrieve 达到 35.6%，相对提升约 60%；跨实验汇总的平均准确率从 0.33 升到 0.47，预测熵从 1.51 降到 0.96 nats。检索库过滤后有 309,609 个例题，检索让每题墙钟时间增加约 6%。5

收益依赖例题库覆盖。结构相似、关键条件却不同的例题可能把模型带向更自信的错误；代码和开放式逻辑推理等难以准备例题库的任务，还没有得到验证。5

X 解读帖于北京时间 8 月 12 日 13:21 发布；抓取时为 33 赞、1 转、0 回复、1,260 浏览，属于早期信号。6

精读前先核对：60% 是某一模型在 AIME 2025 上的相对增益；绝对准确率从 22.2% 升到 35.6%。

论文：AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses（arXiv 2608.12307） v1：2026 年 8 月 13 日 01:53（北京时间）7

作者与机构：Cheng Qian¹²、Wenting Zhao¹、Liangwei Yang¹、Heng Wang¹²、Jielin Qiu¹、Heng Ji²、Silvio Savarese¹、Huan Wang¹、Shelby Heinecke¹。¹Salesforce AI Research；²University of Illinois Urbana-Champaign。8

这篇论文不训练弱模型。强 builder 只看 195 道验证题，也就是全部 3,900 道隐藏测试题的 5%，随后迭代约 4.9 轮，构造路由、提示模板、验证器、确定性代码与格式约束。固定的 GPT-5.4-mini 不更新参数，原始得分为 0.488。0.912 是最佳单次 scaffolded run；0.763 才是全部 scaffolded runs 的平均值，人工 UserHarness 为 0.939。9

四个基准是 BigToM、Hi-ToM、MMToM-QA 与 MuMA-ToM。作者分析认为，主要增益来自把不稳定推理搬进确定性代码、按基准路由并约束答案格式，而不是鼓励弱模型写更长的推理链。对本来更强的 target，部分基准反而会退化；不同运行也存在波动。9

HuggingPapers 原帖于北京时间 8 月 13 日 12:37 发布；抓取时为 16 赞、2 转、1 回复、1,421 浏览。这是一条很早期的直接信号。10

精读前先核对：0.912 是最佳单次运行，不能与全部 scaffolded runs 的平均值 0.763 混成同一个结论。