DigClaw 表示，其预测框架 Rhizome v1 于 7 月在 FutureX 实时预测榜单上分别基于 Kimi-K3、DeepSeek-V4-Pro 等不同基础模型拿下第 1、第 3 和第 7 名。公司称，这是同一套框架在不同基座上的独立运行结果，指向预测能力可沉淀在基础模型之外。文章披露了 Rhizome 的三项设计，包括搜索与推理解耦、预测轨迹记录与概率校准，以及因果链感知的持续更新，并称相关系统已用于内部投资实践。

围绕 AI 大量介入数学证明，陶哲轩与王虹给出了接近一致的判断：数学界不能只停留在“证明已得出”，还需要理解、整理并消化成果。陶哲轩以 Sendov 猜想为例，说明 AI 更擅长生成与验证，后续的阐释、发表和知识沉淀仍依赖数学家。他还公开了面向 Lean 验证结果的登记库 Palomar，试图为 AI 证明建立从验证到发表之间的整理与协作机制。

谷歌研究发现，GPT-5 和 Gemini 3 等模型对 95%–98% 的测试事实已完成参数存储，但在直接问答中仍有 26%–34% 的事实无法取出，即使开启 thinking 后仍有 11%–12% 无法回忆。研究基于新基准 WikiProfile，对 13 个模型累计生成约 450 万条回答。结果显示，前沿模型事实错误的主要瓶颈已从“没学到”转向“取不出”，冷门知识和反向提问是最明显的卡点。

围绕一位 OpenAI 研究员“我们都不读论文了”的表态，学界与产业界再次讨论顶会论文的可信度。由芝加哥大学副教授谭宸浩联合创办的 SAI 对 ICML 2026 的 168 篇 Oral 论文做复现实验，完成 105 篇完整复现后发现，只有 8 篇复现比例超过 80%。报告还提到代码缺失、结果对不上、依赖下线模型等问题，而高昂复现成本也让有缺陷的论文更难被外部核查。

针对 ICML 2026 论文的两项 AI 复现与核查项目显示，论文可复现性和客观错误问题正在被集中暴露。一项审计称，168 篇口头报告中有 92 篇具备至少 5 条可验证结论，其中 58 篇无法复现；另一项基于 GPT-5 的检查系统则称，顶级 AI 会议和期刊论文平均每篇检出 4.7 个客观错误，99.2% 的论文至少被标记出一个问题。不过，报道同时强调，无法复现并不等同于造假，AI 工具结果仍需人工复核。

a16z 融资150亿美元押注新媒体，核心不是内容本身，而是权力重构。当内容不再稀缺，真正值钱的是行动权——让人相信并一起行动的能力。新媒体将媒体从机构资产变为个人资本，注意力经济转向行动权经济。

发表于 ICML 2026 的 SSNA 研究提出，迁移学习中的源数据不必是真实图像或文本，随机生成的噪声也能在少量标注场景下带来正迁移。团队进一步给出 NAF 框架，在 CIFAR、Caltech、ImageNet 和 AG News 等任务上，相比 ERM 取得不同幅度提升。实验还显示，真正起作用的不是噪声的随机性，而是其在表征空间中的可分离类别结构。

第 67 届国际数学奥林匹克 7 月 13 日至 21 日在上海举行，中国队以全员金牌、团体总分 232 分夺冠，领先第二名美国队 25 分。邓乐言、张柏伦、刘澈以满分摘金。报道同时提到，GPT-5.6 Pro 被称在无人工提示下首次尝试解出 2026 年 IMO 全部 6 题，但截至成绩揭晓尚无官方公开结果。