Claude Duet上线云端长时任务，AI辅助证明KLS猜想引关注
Claude Duet：从对话到“持续干活”
Anthropic最近动作不少，这次推出的Claude Duet被视作其向主动式智能体迈出的关键一步。根据现有信息，Duet由最新的Claude Opus 5.5模型驱动，核心变化在于它不再局限于“一问一答”的即时响应，而是能够在云端持续执行长期任务。
对于普通用户而言，这意味着你可以交给它一个需要跨多个步骤、耗时较长的复杂工作，比如整理一周的行业新闻并生成分析报告，或者监控某个特定数据源的变化。Duet会在后台运行，直到任务完成或遇到需要人类介入的关键节点。目前，这项功能首批面向美国的Pro和Max订阅用户开放候补名单。这种从“聊天机器人”到“数字员工”的转变，标志着大模型应用正在从内容生成向实际工作流自动化深入。
与此同时，OpenAI也在细化其开发者工具链。新发布的Codex网站影响检查技能（Codex Skill），旨在帮助开发者快速评估网站在特定技术变更或安全事件中的受影响情况。虽然功能看似垂直，但这反映了大厂正在将通用能力拆解为更具体、可组合的微技能，以降低开发者的使用门槛。
数学界的震动：AI辅助证明KLS猜想
如果说产品更新是行业常态，那么数学领域的进展则更具冲击力。微软研究人员与合作者宣布，借助AI智能体完成了对KLS猜想（Kannan-Lovász-Simonovits conjecture）的证明。这份长达140页的证明文档，是AI在基础科学领域应用的又一个里程碑。
KLS猜想是几何泛函分析中的一个著名难题，涉及凸体体积估计与等周不等式的关系，自提出以来已困扰数学界三十余年。在这次研究中，AI智能体并非直接给出最终答案，而是扮演了“探索者”的角色。研究团队利用智能体探索了约一百条不同的研究路径，进行推导、验证和错误排查。这种“广度优先”的探索能力，正是人类数学家受限于精力和时间难以大规模实施的。
需要注意的是，该成果目前仍处于待同行评审阶段。数学证明的严谨性要求极高，AI生成的中间步骤仍需人类专家逐一核实。但这一案例清晰地展示了一种新的科研范式：人类负责定义问题和判断方向，AI负责在巨大的解空间中进行暴力搜索和逻辑推演。这种协作模式可能会在未来成为理论科学研究的标配。
数据处理的两个新思路：关系数据与多模态SQL
在基础设施层面，NVIDIA和Google Cloud分别解决了两类棘手的数据处理问题。
NVIDIA推出了Kumo Relational方案，主打“无需额外训练即可处理关系数据”。在传统机器学习中，处理表格数据尤其是具有复杂关联关系的表格（如电商中的用户-商品-订单关系），往往需要大量的特征工程或专门的图神经网络训练。Kumo Relational声称能在零样本或少样本情况下，性能超过传统的监督学习方法。如果这一结论在实际生产环境中得以复现，将大幅降低企业构建推荐系统或风控模型的门槛和成本。
另一方面，Google Cloud宣布BigQuery的ObjectRef功能正式通用可用（GA）。过去，企业在分析非结构化数据（如图片、音频、视频）时，通常需要将其从数据仓库导出，经过专门的AI管道处理后再写回数据库，流程割裂且昂贵。ObjectRef允许开发者直接在SQL查询中引用和处理这些非结构化对象。例如，你可以用一条SQL语句筛选出“包含猫的图片”或“提到‘价格’的音频片段”。这种将多模态能力原生融入SQL工作流的做法，极大地简化了数据架构，让数据分析师能够直接用熟悉的工具处理复杂数据。
开源模型与工程实践：从意图理解到多智能体编排
在国内，中国电信星辰实验室开源了Xing4.0-29B-Intent模型。这是一个专门针对意图理解优化的290亿参数模型。与通用大模型不同，它兼顾了封闭选项分类（如客服菜单选择）和开放式意图生成（如用户自由描述需求）。在智能体路由和搜索场景中，准确的意图识别是第一步，也是决定后续处理效果的关键。开源此类垂直领域模型，有助于开发者在保护数据隐私的前提下，构建更精准的交互系统。
对于正在构建多智能体系统的工程师来说，AWS最近分享的生产实践颇具参考价值。他们提出了一个自适应智能体框架，核心思想是“动态选模型”：简单任务调用小模型以降低成本和延迟，复杂任务则路由到大模型。此外，AWS还总结了多智能体系统在落地时面临的五大挑战，包括可靠性、编排复杂性、状态管理、调试困难以及运维成本。这些经验之谈表明，多智能体架构已从概念验证阶段进入深水区，工程稳定性成为当前关注的重点。
IBM则分享了Granite时序模型的集成预测方法。时间序列预测在金融、能源等领域至关重要，但单一模型往往难以应对所有波动模式。IBM的教程展示了如何组合多个预训练的Granite时序模型，通过集成学习提升预测的稳定性和分位数估计能力。这种方法不依赖单一的“最强模型”，而是通过多样性来换取鲁棒性，为工业级预测任务提供了务实的解决方案。
结语
从Claude Duet的长时任务执行，到AI辅助证明数学猜想，再到数据处理工具的底层革新，近期的技术动态显示出一个共同趋势：AI正在从“展示能力”转向“解决具体问题”。无论是简化数据管线，还是辅助科学研究，技术的价值正体现在对复杂工作流的拆解与重构中。对于开发者和企业而言，关注点也应从单纯追求模型参数规模，转向如何将这些能力稳定、高效地嵌入到实际业务场景中。