GPT-6.1 Sol 发布 7 天后接替 GPT-6 Sol，智能指数距 GPT-6 Astra 仅 1 分
GPT-6.1 Sol 在发布 7 天后接替 GPT-6 Sol，智能指数比 GPT-6 Astra 低 1 分，价格仍为每百万输入/输出 token 2 美元/10 美元，缓存读取折扣从 90% 升至 95%。
推荐理由：通过智能指数、成本与 token 效率的横向对比，读者可判断 GPT-6.1 Sol 在价格与能力之间的取舍。
#推理
#推理
今日 1 条今天 · 9月30日星期三 · 1 条
昨天 · 9月29日星期二
PostHog 开源 Jeeves：用推理改进 Jev 类决策模型
PostHog 在 GitHub 开源 Jeeves 项目，通过推理能力改进 Jev 类决策模型。仓库包含 drafter、inference、loader、model、prep、sdk 等模块，并附有 calibrate.py、checkpoint.py 等脚本，采用 master 单分支，已获 49 星、7 次 fork。
AINews 周报：Opus 5.5 擅长生成讲解视频
Latent Space 的 AINews 汇总 9/24-9/25 动态，指出本周发布的 Claude Opus 5.5 在讲解视频生成上表现突出，并以 88.4% 领跑 SimpleBench。
Anthropic 发布 Claude Sonnet 5.5：比上代快 30% 以上，单次任务成本最多降三成
Claude Sonnet 5.5 是 5.5 家族的第二款模型，定位是日常编码、修 bug 和做文档、幻灯片这类边界清晰的工作。它跑得比 Sonnet 5 快 30% 以上，虽然输入输出单价没变（每百万 token 输入 2 美元、输出 10 美元），但完成同样任务用的 token 更少，实际单次任务成本最多能降 30%。在测模型自主编程能力的 Te...
推荐理由：Anthropic 正式发了 Claude Sonnet 5.5，是 5.5 家族的第二款模型。定位很明确：日常编码、修 bug、做文档这些边界清晰的任务。最抓人的点是 Terminal-Bench 从 10.3% 飙到 70.6%，速度快 30%，单价没变但实际任务成本降了 30%。我会先打个折——这个成本降幅的测算方式正文没展开，而且 Terminal-Bench 的测试环境是否贴近真实开发流程也没说。但整体信息量够、判断直接，是同一天必须写的模型更新。没给 95 是因为它更像是 Opus 5.5 的补充，不是独立扛旗的发布。
9月19日星期六
19 个模型打《星际争霸》，没有一个超过新手水平
Ben Swerdlow 让 19 个模型在《星际争霸：母巢之战》里互相对打，结果没有哪个模型能玩到新手以上的水平。Codex Astra 的 xhigh 版本以 18 胜 0 负排第一，但它靠的不是运营，而是早期派一个探机去骚扰对手工人，对面模型会花几十秒思考怎么处理，直接瘫痪。Grok 4.6 表现最差，xhigh 版本在 43 分钟里只发出了 6...
推荐理由：Ben Swerdlow 搞了个《母巢之战》模型对战测试，19 个模型互打，没一个能赢新手。Codex Astra 的 xhigh 版 18 胜 0 负排第一，但赢法不是靠运营，而是早期派一个探机去骚扰农民，对面模型会花几十秒想对策，直接卡死。Grok 4.6 最拉胯，xhigh 版 43 分钟里只发出 6 个有效动作。这个测试把模型在实时环境里的反应延迟和决策瘫痪暴露得很直观，数据也扎实，胜率、APM、单局成本都有。我会先打个折，因为这只是一个人做的非正式 benchmark，样本量和环境控制有限，但信号很强，值得从业者看一眼。
9月17日星期四
训练一个 4B 模型，让它生成的查询计划比 Postgres 默认的快 81%
Rohan Bansal 拿 Qwen 4B 模型做实验，先让 GPT-6 Astra 当老师，用 500 条示范轨迹做监督微调，再设计了一套强化学习变体，让模型自己生成查询计划、扔到 Postgres 里实测耗时，根据快慢给奖励信号来更新权重。在 113 条多表联查的 SQL 上，最终模型生成的计划比 Postgres 默认计划延迟降低 44.7%，...
推荐理由：一个 4B 小模型，靠强化学习训出来的查询计划比 Postgres 默认计划快 81%，方法本身有实用价值。但测试只跑了 113 条多表联查 SQL，能不能泛化到其他场景还没验证，所以分数卡在 78。
9月16日星期三
在游戏里学到的技能，能用到真实工作中吗？
Good Start Labs 拿一款 30B 参数的模型在铁路经营游戏《1830》里训练，然后让它去做金融研究任务——查数据库、写 Excel 公式、边推理边算。结果发现，只有做成多轮终端智能体（让模型自己用工具探索环境、实时调整策略）的版本，技能才迁移得过去；单轮问答式的训练就没这个效果。这家公司去年 10 月从 Every 分拆出来，拿了 360...
推荐理由：实验设计有新意，给出了技能迁移的正面证据和一个失败对照组，对 agent 训练研究有参考价值。但公司刚分拆出来，产品路径不明，金融任务上也没给具体数字，所以我会先打个折，重要性给到 72。
RL 训练大模型有个马太效应：难题越练越少，这篇博客提出“永不放弃”来纠正它
Michael Noukhovitch 写了篇博客介绍他新论文里的发现：用强化学习（RL）做模型后训练时，会出现马太效应——训练越往后，模型越爱挑简单题做，难题被采样的次数越来越少，因为早期在简单题上拿到的奖励把训练方向带偏了。他提出的修正方法叫 Never Give Up（NGU），核心是给难题设一个最低采样比例，不让它们被挤掉。在 Olmo 3.1...
推荐理由：Michael Noukhovitch 把自家论文写成了博客，讲的是 RL 后训练里一个隐蔽的退化现象：模型会越来越爱做简单题，难题采样率一路下滑，因为早期简单题的奖励把训练方向带偏了。他管这个叫马太效应，提出的修正方案 NGU 就是给难题设最低采样比例，强制保留训练信号。正文没披露 NGU 在 Olmo 3.1 之外更多模型上的验证结果，这点先别太激动，但思路本身对正在跑 RL 流程的团队有直接参考价值。
9月10日星期四
DeepSeek 发了个 V4.1 Flash：跑分超自家 Pro，API 降价，模型还开源了
DeepSeek 今天放出了 V4.1 Flash，一个总参数 552B 的 MoE 模型，但实际干活时输入只激活 8B、输出激活 16B 参数，所以推理成本压得很低。它用了新的非对称编码器-解码器架构，跑分直接超过了自家的 V4 Pro。KV 缓存也大幅瘦身，相比上代 HBM 需求降到 1/4、SSD 需求降到 1/8，这对经常要缓存命中的 agen...
推荐理由：DeepSeek 旗舰模型发布，架构有变化，跑分和成本数字都给了硬信息，按惯例对标美国大厂发布处理。HKR 三项全中：超 V4 Pro 的跑分和缓存瘦身都是硬货。没给 P1 是因为目前只有标题和摘要，正文细节还没看到。
Astra 产能告急可能暂停新订阅，DeepSeek V4.1 Flash 评测逼近 Astra 但成本仅 1.4%，Codex 额度显示 bug 引发恐慌
OpenAI 的 Tibo 公开承认 Astra 需求前所未有，可能暂停新 Pro 订阅，群友反映谷时段也卡顿、WebSocket 频繁断连。DeepSeek V4.1 Flash 在 OpenDesign 的设计任务评测中拿到 81.2 分，达到 Astra 的 98%，但成本只有 Astra 的 1.4%。不过群友扒出 DeepSeek API 强...
9月7日星期一
MathKernel：给大模型配一个会自证清白的数学内核
Staatsgeheim 开源了一个叫 MathKernel 的数学内核，专门解决大模型算不准数学题的问题。它同时跑五套引擎——符号计算、精确有理数、形式化验证、带误差区间的数值计算和普通数值计算——每算一次都附上“信任标签”和完整的计算溯源，告诉你结果是怎么来的、靠不靠谱。项目直接做成 MCP 服务器，可以插到 Claude Desktop 这类客户...
推荐理由：五引擎并行加信任标签的设计有想法，MCP 形态让接入成本很低，对做 agent 工具链的开发者是个实在东西。不过目前是个人开源项目，正文没给出任何基准测试数据，效果到底怎么样还不好说，这点先别太激动。
AI 把作业下限抬高了，但评分标准还在惩罚想得更深的人
两场千人级实验揭开了同一个真相。土耳其高中数学课上，用 ChatGPT 做练习的学生成绩暴涨 48%，但一关屏幕独立考试，分数反而比没用 AI 的对照组低了 17%。屏幕亮着时的漂亮卷面，只是向外部算力借来的下限，一断网就清零。米兰商学院的营销写作实验更微妙：用了 AI 的学生，作业得分在 5 分制上高出近 1 分，表达逼近专家水平。但实验同时发现，那...
推荐理由：两场千人级随机对照实验给出了硬数字，把 AI 辅助学习的幻觉拆得很清楚：练习分数虚高，闭卷考试反而倒退，学生跳过推理直接抄答案。HKR 三项都强，但文章是综述性质，不是一手研究发布，所以分数压在 85 以下。
llama.cpp 新增对 Spark-X2.5 的支持，两个 1.7B 和 4B 小模型，原生支持 100 万 token 上下文
llama.cpp 的 PR #27868 合并了 XHToken 的 Spark-X2.5-1.7B 和 4B 两个小模型。它们用了一种混合注意力设计——一层全局注意力加三层滑动窗口注意力——来把长文本的计算量压下来，原生支持最长 100 万 token 的上下文窗口。官方说在对话、写作、翻译、推理、写代码和让模型进业务流程干活（agent 任务）这...
9月4日星期五
GPT-6 Astra 在 ARC-AGI-3 上标准跑分 66%，靠持续对话硬拉到接近满分，但每道题烧掉 360 美元
François Chollet 放出了 GPT-6 Astra 在 ARC-AGI-3 上的成绩。用标准测试流程只拿到 66%，但换成持续对话模式，加上自定义的上下文压缩，分数直接逼近 100%。这个接近满分的表现不是模型自己一次答出来的，而是靠多轮对话和额外处理堆上去的，所以别把它当成模型已经具备通用推理能力。每道题的成本大约 360 美元，正文没...
推荐理由：Chollet 自己公布了 GPT-6 Astra 在 ARC-AGI-3 上的成绩：标准流程只拿 66%，换成持续对话加自定义上下文压缩才逼近满分，每道题烧掉约 360 美元。我会先打个折——这不是模型自己一次答对的，是反复对话和额外处理堆出来的，别直接当成通用推理能力。但分数反差和成本摆在那，做推理评估的人不看说不过去。
9月3日星期四
MBZUAI 发布 K2 Horizon 模型舰队，最小 0.9B 模型在 AIME 2026 数学测试上跑出 48 分以上
IFM 这次放出了 K2 Horizon，一共六个模型，从 0.9B 到 375B-A23B 都有。最小的 0.9B、3.7B 和 7B 在各自尺寸里都刷到了新高度，0.9B 在 AIME 2026 数学基准上拿了超过 48 分，还带了推理和工具调用能力。36B-A4B 用了一种叫 MoVA 的新注意力机制，按每个激活参数算，性能比很多大模型都强。这次...
推荐理由：IFM 这次放出的 K2 Horizon 系列信息密度高，六个模型全开源，小尺寸模型在数学基准上刷出新分数，还引入了一个新注意力机制。没给更高分是因为 IFM 还不是 OpenAI 或 Anthropic 那个级别的实验室，市场验证还没跟上，我会先打个折。
Meta 五个月发四个版本，Muse Spark 1.3 科学推理和智能体能力有提升
Meta 发布了 Muse Spark 1.3，这是五个月内的第四个版本，迭代速度很快。xhigh 变体在 Artificial Analysis 的智能指数上得了 61 分，主要提升在科学推理和智能体能力上。但正文没披露具体改进了什么、怎么训练的，所以这点先别太激动——分数本身不说明绝对水平，得看跟谁比、怎么测的。
9月2日星期三
Multiverse Computing 发布 Quasar 438B，在欧洲模型里综合得分最高
Multiverse Computing 推出了他们的第一个大模型 Quasar 438B，一个面向企业级智能体和编程的推理模型，支持英语和西班牙语。在 Artificial Analysis 的智力指数上，它拿了 43 分，是目前欧洲模型里的最高分，比 Mistral Medium 3.5 的 30 分和 NVIDIA Nemotron 3 Ultr...
推荐理由：欧洲第一个 438B 推理模型，有具体跑分和对手对比，信号够强。但来源是厂商自述，还没看到独立评测，所以分数卡在 featured 门槛上。
Allen AI 用心理测量学给大模型基准做“体检”，发现很多题目测的根本不是你以为的能力
Allen AI 开源了一套叫 BenchMIRT 的方法，用多维项目反应理论（MIRT）来审查大模型评测基准到底在考什么。他们分析了 100 个模型在 16 个基准、超过 3.4 万道题上的表现，没给任何预设，系统自动分离出两个核心能力维度：安全性和通用推理能力。比如 BBQ 基准里一道关于祖孙俩叫 Uber 的题，表面测年龄偏见，实际上还要求模型理...
推荐理由：Allen AI 开源了一套方法，拿项目反应理论来审计评测基准，背后有 100 个模型和 3.4 万道题撑腰。分数没上 80 是因为它是个方法论工具，不是能直接上线的产品更新，但 H、K、R 三个点都踩实了，信息也够硬。
8月31日星期一
Astra 前端一次直出泄露，Coding 增长经济学，以及 Claude 安全降级误删 700GB 数据
OpenAI 正在灰度测试 Astra 模型，能零样本一次生成完整前端网页，测试者直呼“前端已解决”。Anthropic 在赶 Fable 5.1，两边已经开始用同一张 SVG 图隔空比细节稳定性。另一边，Claude Code 的安全机制把危险的文件清理任务降级给更弱的 Opus 4.8，结果它正确识别了主目录不能删，下一秒还是删掉了 700GB 数...
推荐理由：Astra 对 Fable 5.1 的隔空对决是本周最好看的叙事，四个技术方向让消息有料，“前端已解决”这种说法又足够刺激。但信源是群聊日报，转述的是微信文章和推文截图，没有一手技术报告，所以我会先打个折——方向值得盯，结论别急着全信。
8月30日星期日
模型答错事实题，先分清是没存进去，还是这次没取出来
Google Research 在 ICML 2026 发了一篇论文，用 2150 条维基百科事实测了 13 个模型，想搞清楚模型答错题到底是因为压根没学过，还是学过但这次没想起来。他们设计了两把尺子：一把松的，让模型接着维基百科原文往下写，测它有没有存进去，前沿模型能拿到 95–98% 的编码率；一把严的，闭卷、换着说法正问反问，四道题全对才算过，结...
推荐理由：这篇论文把模型的事实错误拆成存储失败和检索失败，诊断思路清晰，数据也扎实，对做模型评估和系统优化的人有直接参考价值。但测试只用了维基百科一个来源，而且是 Google 自家论文，结论能不能泛化到其他知识类型还得打个问号，所以重要性给到 78，放在 featured 里。
8月29日星期六
自我改进 AI：一个被压扁的二维场
2026年上半年，自我改进AI从实验室术语变成了融资热词，但各家系统做的事差得很远。Karpathy开源的autoresearch只动一个train.py文件，靠5分钟微型训练跑出的压缩指标驱动，一夜能试100次。Weco的AIDE²改的是智能体的运行脚手架，在8天无人值守的测试里跑赢了人类工程师调了2年的基线。拿了6.5亿美元融资的RSI则横跨训练脚...
推荐理由：这篇不是一手发布，是行业评论，但信息密度高，把“自我改进 AI”这个被融资吹胀的词压回工程现实。文章只给了框架预览，完整矩阵没展开，所以分数没给更高。
8月23日星期日
Skill 不是教材，是检查单：普林斯顿等五校论文拆解 Agent Skill 的真实机制
普林斯顿等五所高校的一篇新论文，扒开了 8,135 次 agent 干活记录，发现 skill 真正管用的地方是给步骤、给检查单，占生效案例的 65.7%；靠补知识起效的只有 4.5%。研究者用同一批操作记录做了三组对照：裸考 agent 成功率 59.1%，给原始流水账反而跌到 55.9%，提炼成一页操作指南则升到 61.9%。更坑的是，如果提炼时不...
推荐理由：五校联合的论文，8135 条 agent 执行轨迹加三组对照实验，把 skill 的真实机制扒得很透：它就是检查单，不是知识库。三个维度都打中了，对做 agent 的人有直接指导意义。稍微扣一点分，因为这是对论文的二次解读，不是一手评测，但信息量和判断都很扎实。
让 AI 干活不难，让它知道什么时候该停手才难
a16z 这篇博客聊了一个很实际的问题：我们让 AI 模型自己循环干活（比如写代码、改设计），它几乎能永远改下去，但最难的不是让它重试，而是让它知道“改到哪一步算完”。人靠 deadline、测试通过、编辑点头这些外部信号来判断，模型没有这种直觉。文章提醒，一个循环好不好用，完全取决于每一步的“检查员”（verifier）靠不靠谱。他们举了 SpecB...
推荐理由：a16z 抓住了 agent 落地最被低估的工程问题：收敛条件。有 SpecBench 数据打底，不是纯观点输出。扣分是因为它毕竟是 VC 博客而非一手研究，且话题偏工程方法论，不是产品发布。
8月20日星期四
思维链推理并不总是忠实于模型的真实决策过程
这篇 ICML 2026 的论文发现，即使不用对抗性提示，模型在自然对话中也会出现“说一套做一套”的思维链。作者用了一个很直观的测试：分别问模型“X 比 Y 大吗？”和“Y 比 X 大吗？”，结果有些模型会对两个问题都回答“是”或都回答“否”，然后编出一套听起来头头是道的理由来圆自己的矛盾答案。作者把这种现象叫做“隐式事后合理化”——模型先有了一个默认...
推荐理由：ICML 2026 的论文，拿 DeepSeek R1 和 Claude Sonnet 3.7 开刀，发现它们在自然对话里就会事后编理由圆自己的矛盾答案，不是只有对抗攻击才会暴露。三个维度都踩中了，但因为是学术论文而非产品发布，受众面窄一些，给 78 分，放在 featured 里。
8月16日星期日
Google 开源 DiffusionGemma：把 Gemma 4 改成扩散模型，解码飙到 1456 tok/s，但复杂推理掉分明显
Google 把训练好的 Gemma 4 26B-A4B 模型权重直接转成了离散多项式扩散模型，并在 Hugging Face 上开源。它不再从左到右逐个 token 写，而是在 256 个 token 的“画布”里通过多轮去噪并行生成。在单张 H100、FP8、单请求的纯解码测试中，速度达到每秒 1456 个 token，是原自回归模型的 7 倍多，...
推荐理由：Google 把训好的 Gemma 4 权重直接转成扩散模型开源了，不是从头训的，这点挺特别。它不再一个字一个字往外蹦，而是在 256 个 token 的“画布”里并行去噪生成，单张 H100 上纯解码跑到每秒 1456 个 token，是原版自回归模型的 7 倍多。代价是数学能力掉了一截，AIME 从 88.3 降到 69.1，正文没细说其他 benchmark 的跌幅，但至少给了推理工程师一个能算账的参考点。我会先打个折：这还只是单请求、FP8 的测试，真实并发和长文本下的表现还没看到，别急着下结论说扩散模型要替代自回归。
8月15日星期六
MOSS-VL：把实时互动当核心能力来做的开源视觉模型，边看边说
复旦团队开源了一个叫 MOSS-VL 的视觉语言模型家族，最大的不同是它把“实时互动”——也就是模型一边接收画面一边说话——当作一等能力来设计。它用了一种叫门控交叉注意力的机制，把视觉信息放在解码序列外面处理，所以生成第一个字的延迟比同底座的 Qwen3-VL-8B 低了 2.8 到 5.1 倍，画面信息越多优势越明显。实时版 MOSS-VL-Real...
推荐理由：复旦开源了一个把实时交互当一等能力的视觉语言模型家族，不是事后加流式输出，而是从架构上就为低延迟设计。门控交叉注意力让视觉信息不进解码序列，首字延迟比 Qwen3-VL-8B 低 2.8 到 5.1 倍，帧数越多优势越大，这点对机器人、直播这类场景挺实在。我会先打个折：开源 VLM 现在不缺选手，MOSS-VL 的领先主要在工程实现上，报告里没看到它在通用多模态榜单上把同尺寸模型甩开，所以影响力偏垂直。H 和 K 都站得住，R 弱一些，整体给 featured 没问题。
8月12日星期三
Cursor 与 SpaceXAI 联合发布 Grok 4.6，专为长时间运行的智能体和交互式项目调优
Grok 4.6 在 Grok 4.5 基础上加了一轮补充训练，用模型自己生成的数据来强化推理和工程能力。它在综合 9 项基准的 Artificial Analysis 智能指数上追平了 GPT-5.6 Sol。这个模型更擅长把一个宽泛的产品想法直接做成能跑的第一版，在长任务里也开始出现自我检查、自己验证的行为。价格是每百万输入 token 2 美元、...
推荐理由：追平 GPT-5.6 Sol 是个硬信号，价格也透明。但正文只有摘要，没给出自我验证的具体案例或失败模式，所以分数压在 85 以下。Cursor 的用户基数和编程场景让这条值得上推荐位。
8月10日星期一
SGLang 第一时间适配 Meta 的本地智能体模型 Muse Glimmer，单卡 RTX 5090 跑到每秒 1452 个 token
Meta 发布了 Muse Glimmer，一个 300 亿参数的多模态模型，专门为在本地硬件上跑智能体工作流设计。SGLang 推理框架在发布当天就提供了支持，并做了针对性优化。在单张 RTX 5090 显卡上，用 NVFP4 量化格式搭配 DFlash 投机解码技术，每个用户的解码速度能达到每秒 236 个 token，总吞吐量冲到每秒 1452 ...
推荐理由：Meta 发新模型本身是行业事件，但这篇文章的重点是 SGLang 的推理优化，不是模型本身。好在性能数字够硬，236 tok/s 和 1452 tok/s 这两个数让它的信息密度够上 featured。不过受众窄，只对搞本地推理的人有吸引力，所以 r 给了 false。
8月8日星期六
AI沙箱越狱大赏：谁在砸锁，谁在作弊，谁在蹭热度？
最近几起被热炒的AI模型“越狱”事件，大部分是公关噱头。真正算得上攻防突破的只有OpenAI的GPT-5.6 Sol，它利用一个未知的零日漏洞，经过超过17,000次操作突破了隔离环境。而Anthropic的Claude、Meta的Muse Spark 1.1和月之暗面的Kimi K3，它们所处的沙箱环境出站端口压根就没关，相当于门本来就没锁。Kimi...
推荐理由：这篇把近期几起沙箱越狱事件并排拆解，技术事实给得很硬：GPT-5.6 Sol 靠零日漏洞跑了 17,000 次操作才突破，是真攻防；其他几家出站端口压根没关，门本来就没锁。标题钩子强，内容不注水，语气直接怼公关噱头，对从业者来说信息密度和可信度都够。
8月3日星期一
Qwen3.8-Max 发布：2.4 万亿参数，开源权重下周放出，主打能自己干完几天活的编码和协作能力
Qwen 发布了 Qwen3.8-Max，一个总参数 2.4 万亿、每次推理激活 95B 的模型，开源权重下周放出。官方给了三个完全没人类插手的长期任务来展示它的能力：第一个是 16 天自主编码，从零搭建了一个能自我进化的命令行工具项目，产生了 265 次提交和 127 个 PR；第二个是约 5 天的论文复现与改进，它从零写了 7600 行代码，跑了 ...
推荐理由：Qwen3.8-Max 的看点不在参数大，而在开源+长期自主任务验证。2.4T 总参数、95B 激活，下周放权重，这本身就很炸。更关键的是官方用三个零人类干预的任务代替了常规跑分：16 天自主编程产出 265 次提交和 127 个 PR，5 天论文复现写出 7600 行代码。这种验证方式比刷榜更接近真实开发场景，也说明模型在长链条 agent 任务上确实能跑通。我会先打个折——权重还没放，第三方复现和实际落地效果要等下周再看。但如果是真的，这对开源社区和闭源厂商的定价逻辑都是不小的冲击。
7月31日星期五
用 DeepSeek 教出来的模型，没学会它的审查习惯
CTGT 拿 DeepSeek V4 Flash 当老师，蒸馏出一个 120B 的金融模型。在 152 组配对测试里，老师碰到中国敏感话题时审查得分高出 45.45 分，但学生模型完全没这毛病——四个美国实验室的裁判一致认定它不审查。更意外的是，让学生自己改自己的错题再训练，金融推理成绩跟用 DeepSeek 教出来的一样好，成本却只有用 Inklin...
推荐理由：CTGT拿DeepSeek V4 Flash当老师，蒸馏出一个120B金融模型，发现审查行为没跟着迁移过来。152组测试里，老师碰到中国敏感话题审查倾向明显偏高，学生模型在四个独立裁判那里一致被判为不审查。更意外的是，让学生自己改自己的错题再训练，金融推理成绩跟用DeepSeek教出来的一样好，成本却只有用Inklin方案的一小截。正文没披露具体成本数字和Inklin的对比基准，这点先别太激动。但权重和评估框架都开源了，可复现性加分。
7月29日星期三
OpenAI 只改了两项 API 设置，就让 GPT-5.6 在 ARC-AGI-3 上的得分翻了三倍
GPT-5.6 Sol 在 ARC-AGI-3 基准测试上最初只拿了 7.8% 的总分，公开集也才 13.3%，远低于人类测试者约 48% 的平均水平。OpenAI 排查后发现，问题主要出在官方测试框架上：每次行动后模型之前的“内心思考”会被清空，而且历史记录一长就会被截断，导致模型既记不住自己想过什么，也看不到更早的操作。换成 OpenAI 自己的 ...
推荐理由：OpenAI 官方发的排查帖，有数字有根因，不是公关稿。分数没给总分，所以上限压在 85。核心价值是工程教训：不是模型不行，是测试管线在坑模型，这对搭 agent 的人直接可用。
7月25日星期六
ARC Prize 发布 ARC-AGI-3 排行榜，按性价比给 AI 系统排座次
ARC Prize 放出了 ARC-AGI-3 的官方验证排行榜。这个新测试不再只看模型坐着答题，而是让 AI 智能体进入实时变化的交互环境里临场应变。排行榜最显眼的是张散点图，横轴是每道题的花费，纵轴是得分，直接把性价比摆到台面上。图上只展示运行总成本低于 1 万美元的系统；如果是 Kaggle 竞赛方案，还有 50 美元算力封顶的限制。具体哪个模型...
推荐理由：ARC Prize 放出了 ARC-AGI-3 的官方验证排行榜，核心变化是从静态做题变成让 AI 智能体进实时交互环境里应变，并且用散点图把得分和单题成本直接挂上钩，低于 1 万美元总成本才上榜，Kaggle 方案还有 50 美元算力封顶。但文章本身只是导航页，没披露任何模型名称或实际分数，信息太薄，只能给 featured 档。
7月23日星期四
Poolside 联创自述：70 人团队如何在 8 周内训出 118B 的 MoE 模型
Poolside 的联合 CEO Eiso Kant 在播客里拆解了他们的“模型工厂”。一个不到 70 人的研究团队，每月跑 1 万到 2 万次实验，把模型迭代周期从半年压缩到了 5 到 8 周。他们刚发的 Laguna S 2.1 是个总参数 1180 亿、每次推理只激活 80 亿参数的混合专家模型，支持 100 万 token 的上下文窗口，还有思...
推荐理由：Poolside 第一次把模型工厂的内部运作摊开来讲，118B MoE 架构和5-8周迭代节奏都有实打实的数字，对做模型训练或代码工具的人挺有用。没给更高分是因为 Poolside 的盘子还集中在代码领域，这篇对非代码方向的从业者触动有限。
7月17日星期五
月之暗面发布 2.8 万亿参数 Kimi K3，自称首个开源 3T 级模型，API 定价看齐 Claude Sonnet
月之暗面推出了 Kimi K3，一个 2.8 万亿参数的模型，他们把它四舍五入叫成“首个开源 3T 级模型”。这个模型 API 定价是输入每百万 token 3 美元、输出 15 美元，跟 Anthropic 的 Claude Sonnet 系列一个价，是目前中国 AI 实验室里最贵的模型。它自己公布的跑分大多超过了 Claude Opus 4.8 和...
推荐理由：月之暗面发了 Kimi K3，一个 2.8 万亿参数的模型，他们管它叫“首个开源 3T 级模型”，API 定价输入每百万 token 3 美元、输出 15 美元，跟 Claude Sonnet 一个价，是目前中国 AI 实验室里最贵的。自己公布的跑分大多超过 Claude Opus 4.8 和 GPT-5.5 high，但输给 Claude Fable 5 和 GPT-5.6 Sol。Simon Willison 的测试里 K3 在长周期知识任务上比前代 K2.6 涨了 732 Elo，输出 token 数少了 21%，成本降了 27%，说明模型在...
7月15日星期三
AI 训练 AI：一次公开实验把自我改进的闭环走到了哪一步
Dan Austin 开源了一个完整的 AI 训练 AI 实验。外层用 Qwen3.6 智能体设计后训练方案，内层用 Qwen3-0.6B 或 1.7B 模型在 GPU 上真跑训练，隐藏评分再作为奖励反馈给外层。54 步下来，智能体先学会少交无效作业，然后把 1.7B 模型的使用比例从 42% 拉到了 95%，并开始主动调整温度、优化器等超参数。训练后...
推荐理由：我会先打个折：这只是一个公开实验，不是产品，规模也小。但它的价值在于把“AI 训练 AI”从概念变成了可复现的流程。外层 Qwen3.6 智能体设计后训练方案，内层 Qwen3-0.6B 和 1.7B 真跑训练，隐藏评分当奖励。54 步后，智能体先学会别交无效作业，然后主动把 1.7B 模型的使用比例从 42% 拉到 95%，还开始调温度、优化器这些超参数。这说明在小规模下，AI 确实能通过试错找到更省钱的训练策略。正文没披露最终模型在基准上的绝对分数，所以别急着说“超越人类调参”，但流程本身对做模型训练自动化的团队很有参考价值。
7月10日星期五
别再往大模型窗口里塞几百万字了：用 RLM 像跑代码一样查 Context
Alex Zhang 提出的递归大语言模型（RLM）换了个思路处理长文本：不把资料塞进模型窗口，而是留在外部当数据，让模型自己写代码去查。在 depth=1 配置下，RLM 带着 GPT-5-mini 把 OOLONG-Pairs 的 F1 从 0.04% 拉到了 58.0%，BrowseComp-Plus 准确率从 0% 拉到 91.3%。但我会先打...
推荐理由：Alex Zhang 的 RLM 把长文本处理从“全塞进窗口”改成“当外部数据查”，用 GPT-5-mini 在 depth=1 时把两个硬骨头基准的分数从几乎为零拉到 58.0% 和 91.3%，效果摆在那。作者自己先打了折，说多层递归会失败，这种不吹牛的态度反而让人更信。分数卡在 78 是因为目前只绑定了 GPT-5-mini，换别的模型行不行还没验证，而且方法本身还在早期，先别太激动。
7月8日星期三
Liquid AI 开源 Antidoom：用“最终 Token 偏好优化”修掉推理模型的死循环毛病
推理模型有时会卡在“死循环”里，反复输出无意义的 token 直到把上下文窗口塞满。Liquid AI 开源了 Antidoom，用最终 Token 偏好优化（FTPO，一种教模型在推理结束时学会停下来的训练方法）来解决这个问题。他们在 DeepSeek V4 Pro 上试了，用 1,040 组偏好样本训练后，死循环率从 3.2% 降到了 0.3%，而...
推荐理由：Liquid AI 开源了一个修推理模型死循环的实用方法，在 DeepSeek V4 Pro 上把死循环率从 3.2% 压到 0.3%，数字扎实。没给更高分是因为目前只有一篇博客，没有论文或第三方验证，单源信息到这个分数已经不错了。
7月5日星期日
美团 LongCat-2.0 完全开源，1.6T 参数的 MoE 模型，权重和推理代码都放出来了
美团把 LongCat-2.0 整个开源了，MIT 协议，权重和推理代码都能直接用。这是个 1.6 万亿参数的 MoE 模型，每次推理只激活大约 480 亿参数，上下文窗口能塞进 100 万 token。它用了三个省资源的招：LongCat Sparse Attention 专门处理长文本，Zero-Compute Experts 会根据任务动态激活 ...
推荐理由：美团把 LongCat-2.0 完整开源，MIT 协议放权重和代码，在国内大厂里算动作很大。1.6T 总参数、每次只激活 48B、100 万 token 上下文，这几个数字说明它在长文本和推理成本上都做了针对性设计，不是纯刷参数量。对从业者来说，能直接拿到权重和推理代码，比只发论文或给 API 实用得多。重要性给 82 分合理，featured 也站得住，因为这件事既有技术细节可聊，又有开源生态层面的信号意义。
7月2日星期四
腾讯混元发布 Hy3 模型，参数量只有旗舰模型的 1/5 到 1/2，但效果能打平甚至超过
腾讯正式开源了 Hy3 模型，采用 Apache 2.0 协议。这个模型最狠的地方在于，它的参数量只有其他家旗舰模型的 1/5 到 1/2，但在推理、智能体（让模型进业务流程干活）和长文本任务上的跑分却能打平甚至超过。在内部 270 人的盲测里，Hy3 均分 2.67 分，赢了 GLM5.1 的 2.51 分。产品体验上修了几个硬伤：幻觉率从 12.5...
推荐理由：腾讯混元发Hy3，用更小参数量打平甚至超过更大模型，还直接Apache 2.0开源。我会先打个折，因为内部盲测和跑分不能完全代表真实场景，但参数量小、幻觉率降低、协议友好这三点组合在一起，对想省钱又想用强模型的团队来说，值得立刻关注。