跳到正文

推理能力

模型推理能力的进展:思维链、推理模型、数学与逻辑基准的突破与争议。

最新精选

第 1–20 条 · 共 44 条
11月19日周四
  1. Google DeepMind88

    Google DeepMind 发布 Gemini 4 Neon 模型

    Google DeepMind 发布 Gemini 4 Neon,主打复杂软件工程、知识工作与科研流程的端到端任务完成,在 Artificial Analysis Intelligence Index 上以 61 分位列第 3。

    推荐理由:官方给出 Gemini 4 Neon 在多项基准上的排名、定价与思考档位,读者可据此判断它在 Gemini 4 家族中的定位与成本取舍。

11月17日周二
  1. NVIDIA Blog72

    NVIDIA Vera Rubin 首次亮相 MLPerf,横扫训练与 Endpoints 基准

    NVIDIA Vera Rubin 平台首次提交 MLPerf 结果,在 MLPerf Training v6.1 的全部基准上均有成绩,Vera Rubin NVL72 每 GPU 性能最高达 GB300 NVL72 的 2 倍。

    推荐理由:原文给出 Vera Rubin 在 MLPerf Training 与 Endpoints 的具体成绩和规模数据,读者可据此判断新一代平台在训练与智能体推理上的代际提升幅度。

11月14日周六
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11日周三
  1. Google DeepMind92

    Google DeepMind 发布 Gemini 4 Carbon 前沿模型

    Google DeepMind 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,称其在网络安全能力和长周期智能体工作流上达到前沿水平。Carbon 在 CursorBench 4.0、Perplexity 的 WANDR 和 Zapier 的 AutomationBench 上排名第一,单任务成本比次优外部模型低 2 倍以上。

    推荐理由:原文给出 Carbon 与 Argon 的定位差异、多项基准排名和定价,读者可据此判断该模型适合哪类任务。

11月10日周二
  1. The Decoder88

    Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,IPO 前重回性能榜首

    Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,两者共用同一模型底座,区别在于 Fable 对网络安全和生物学高风险任务设限并向所有用户开放,Mythos 解除部分限制、仅向通过 Anthropic 网络安全或生命科学验证计划的组织开放。

    推荐理由:材料列出两款新模型在 Artificial Analysis 与 Anthropic 自测基准上的具体分数和成本,可据此判断其能力位置与使用代价。

11月6日周五
  1. Latent Space85

    Thinking Machines 发布 Inkling 2 Small:594B 总参数 MoE,68 小时完成预训练

    Thinking Machines 发布 Inkling 2 Small,这是一个 594B 总参数、17B 激活参数的多模态 MoE 模型,已在 Tinker 上线,Apache 2.0 权重承诺下周外部安全测试完成后开放。

    推荐理由:读者可了解 Inkling 2 Small 的 68 小时预训练、NVFP4 全流程与多项独立评测表现,以及权重尚未开放这一前提。

10月29日周四
10月28日周三
10月27日周二
  1. The Decoder88

    OpenAI 请外部专家核查 AI 在数学、计算机科学与物理领域产出的证明

    OpenAI 请外部专家担任“shepherd”,核查其 AI 在数学、计算机科学和物理三个领域产出的证明,并按各领域情况分别处理。计算机科学结果声称证伪了长期被广泛接受的 ETH,数学结果声称把 1991 年提出的局部平滑猜想推广到所有维度,物理结果声称证明了四维量子场论的存在性,但只覆盖 Yang-Mills 的存在性部分,不涉及质量间隙。

    推荐理由:OpenAI 让外部专家分领域核查 AI 产出的证明,读者可借此了解三项结果各自的验证方式与争议。

10月24日周六
  1. Simon Willison82

    月之暗面发布 Kimi K3.1 Pro,API 上线并承诺 11 月 4 日开放权重

    Kimi K3.1 Pro 今日上线 Kimi API,尚未开放权重,月之暗面承诺 2026 年 11 月 4 日前发布完整模型权重。定价为输入 $2.00/百万 tokens、输出 $10/百万 tokens,与 GPT-6.1 Sol 相同、为 Claude Opus 5.5 的一半,另提供速度快 2-3 倍、价格翻倍的 Highspeed 版本。

    推荐理由:作者用统一提示词实测三个推理档位,并给出与前沿闭源模型的价格和榜单对比。

10月23日周五
  1. Latent Space78

    AI 为何突然擅长数学:从提示序列与分支因子看模型解题优势

    作者 Ankit Maloo 分析 OpenAI、Anthropic 近期在数学开放问题上的进展,提出用最短提示序列长度 k 与分支因子 b 判断问题对 LLM 是否可解。他认为模型以深度优先方式把每条可行路径走完,配合自动验证器剪枝,把人类需要数月判断的尝试压缩到几分钟,因此擅长概念跳跃已完成、剩余工作繁重的证明。人类优势仍在搜索树深且分支多、需要直觉剪枝的问题上。

    推荐理由:文章用提示序列与分支因子两个变量解释模型为何在数学证明上占优,并指出人类直觉仍占优的问题类型。

10月22日周四
  1. Hugging Face Blog60

    Dharma-AI 提出 VocabX:专门化 SLM 词表可将推理成本降低 77%

    Dharma-AI 团队提出 VocabX 方法,在不更换基座模型、数据和训练配方的前提下,围绕每个 token 的推理成本而非出现频率重建词表,在基于 Qwen3-4B 的葡萄牙语作文评分器上将实测推理成本降低 77.0%。

    推荐理由:作者团队公开 VocabX 的词表专门化方法,读者可了解按生成成本而非词频选择 token 的思路与实测数据。