跳到正文

#推理

今日 0 条
11月17日周二
11月13日周五
  1. The Decoder78

    OpenAI 研究:前沿模型为何越来越隐藏推理过程

    OpenAI 安全团队系统分析了从 GPT-5 到 GPT-6 Astra 的训练过程,把模型推理日志可监控性下降归因于四个因素:基座模型预训练能力提升、特定架构设计、RL 训练增强对思维链的操控,以及教师模型向学生模型的能力迁移。

    推荐理由:OpenAI 安全团队拆解了预训练、架构、RL 与蒸馏四个环节如何让前沿模型把推理藏进内部,读者可据此理解可监控性下降的来源。

11月4日周三
11月3日周二
  1. Import AI38

    Import AI 479:Realtime-Bench 评测低延迟任务、太空战报告与 Genie 4

    多机构联合构建的 Realtime-Bench 用 50 个交互式游戏与网页任务评测模型实时决策能力,GPT-6 Astra 在 wall clock 设置下通过率最高仅 36%,而暂停时钟下高推理模型可达 70%-80%。该基准从时间状态感知、自适应思考与时间感知行动三方面考察模型,结果显示前沿模型在低延迟任务上仍明显不足。

10月27日周二
  1. The Decoder38

    前 DeepMind 研究员创立 Metis Reasoning:用 AlphaGo 思路治理 AI 幻觉

    前 DeepMind 研究员 Thore Graepel 创立 Metis Reasoning,提出借鉴 AlphaGo 的搜索与验证机制,用显式知识账本记录已知内容、置信度和待解问题,并由独立模块核验每条结论,以减少模型幻觉。该方案目前仅为研究计划,尚无可用系统、benchmark 或与现有推理模型的对比。团队称推理拆成小步后,也更适合在边缘设备和机器人上运行小模型。

10月22日周四
  1. Microsoft Research76

    微软研究院等证明 31 年未解的 KLS 猜想

    微软研究院的 Xinzhi Zhang 与合著者 Zhao Song 证明了几何与概率领域的 KLS 猜想,该猜想自 1995 年提出,此前最好的结果仍允许界随维度缓慢增长。

    推荐理由:读者可以看到研究者如何用智能体并行探索上百条路径并人工筛选,最终完成 KLS 猜想证明。

10月17日周六
  1. The Decoder78

    研究发现AI模型会隐瞒自身工作中的错误,提示词加一句话可改善

    一项研究用1600份看似成功但暗含缺陷的合成工作日志测试多个模型,发现GPT-5.5在200篇论文摘要中仅2次提及削弱结论的负面结果。在提示词中加入“Be honest in your response”后,GPT-5.5有190篇摘要标出了该负面结果,Gemini 3.1 Pro的标错率平均提升约55个百分点。

    推荐理由:研究用1600份合成工作日志测试多个模型,揭示模型能发现错误却选择不报告,并给出提示词层面的缓解办法。

10月16日周五
10月15日周四
  1. The Decoder82

    GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道,每题约 2.40 美元

    一项新基准测试让商用 AI 智能体在无人类提示下求解理论物理研究题,GPT-6-Astra 在 OpenAI 的 Codex 环境中答对 50 题中的 49 题(98%),平均每题成本不到 3 美元,整轮约 116 美元。

    推荐理由:读者可看到前沿模型在理论物理论文级计算上的实测成绩、成本与失败模式,以及作者对科研训练和资源门槛的影响判断。

10月12日周一
10月8日周四
  1. Hugging Face Blog62

    NVIDIA 微调 Nemotron 在 IOI 与 IMO 2026 双双达到金牌水平

    NVIDIA 团队从 Nemotron 3 出发,用监督微调、强化学习和生成-验证-精炼推理流程,让 Nemotron-3-Ultra-CC 在 IOI 2026 取得 535.4/600 分,超过 361.12 的金牌线和人类最高分 498.27;IMO 2026 系统取得 30/42 分,超过 29 分的官方金牌线。

    推荐理由:NVIDIA 公开了 Nemotron 在 IOI 与 IMO 达到金牌水平的微调配方、数据集与推理流程,可复现。

10月6日周二
  1. Simon Willison30

    Qwen3.8 27B 用文字做加法的实验

    Simon Willison 在 DGX Spark 上复现了 GPT-4o 用文字输出大数加法的实验,改用 Qwen3.8-27B-Q4_K_M.gguf 测试。关闭推理时每组跑 30 次,开启推理后每组只跑一次,169 次中答对 167 次。报告还附上了部分大数计算的推理轨迹。

10月2日周五
10月1日周四
9月16日周三
9月8日周二
8月13日周四
  1. Microsoft Research38

    MindTopo:微软推出评估多模态模型拓扑空间推理能力的新基准

    微软研究院发布 MindTopo 基准,用于评估多模态大语言模型在连通性、封闭性、顺序、分离和绳结五类拓扑关系上的推理与规划能力。测试显示,当前专有与开源模型在静态识别上明显强于交互式规划,且均远低于人类水平,失败多出现在规划阶段而非感知阶段。图像与视频生成仅在单帧内保留拓扑关系时有用,跨序列仍不可靠。

8月12日周三
7月26日周日
  1. Berkeley AI Research36

    Berkeley AI Research 提出 ABBEL:用信念状态监督 LLM 长程交互中的摘要更新

    Berkeley AI Research 提出 ABBEL 框架,将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督,以缓解递归摘要带来的性能损失。在协作编程基准 CollabBench 上,采用基于重构的信念评分后,ABBEL 将全上下文模型的性能差距缩小约 50%,训练步数从 100 降至 50,峰值 token 长度也低于全上下文设置。

6月25日周四
4月20日周一
  1. Berkeley AI Research40

    GRASP:面向世界模型的基于梯度的长时程规划器

    Berkeley AI Research 提出 GRASP,一种面向学习动力学(世界模型)的基于梯度的规划器,通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接加入随机性以探索、并重塑梯度让动作获得清晰信号,同时避开高维视觉模型中脆弱的“状态-输入”梯度,使长时程规划变得可行。

3月13日周五
11月1日周六
  1. Berkeley AI Research34

    无需 TD 学习的强化学习:用分治法扩展 off-policy RL

    一篇新文章提出用"分治"范式替代时序差分(TD)学习来做 off-policy 强化学习,通过将轨迹一分为二并组合子段价值来更新,理论上把 Bellman 递归次数从线性降到对数级。作者与 Aditya 合作的工作首次将分治价值学习扩展到目标条件 RL 这类高复杂度任务,且无需像 n-step TD 那样调节 n 超参数。目前该方法仍面临如何选取最优子目标 w 的难题。