跳到正文

#推理

今日 0 条

昨天 · 11月16日星期一

OpenAI News

Nathaniel Craig 与 GPT‑6 Astra 向标准模型的格点定义迈进一步

Nathaniel Craig 在 GPT‑6 Astra 协助下提出标准模型的候选非微扰格点定义,并在 10 月预印本中给出构造。方法通过比较逐步细化格点上的费米子态确定相位规则,Astra 协助设计细化方案、论证收敛并主导详细证明的开发,外部专家参与审阅与提问。该构造适用于场强受限的有限格点间距,距离实际模拟仍有大量工作,有限间距下的反射正性及连续时空定义问题仍未解决。

11月13日星期五

Google 博客 · Gemini

Google 发布 Gemini 4 Hydrogen,面向日常编码与智能体工作流

Google 发布 Gemini 4 Hydrogen,即日起在 Gemini API、AI Studio、Gemini app 和 Google Search 等入口全球推出,主打快速编码与智能体执行。

推荐理由:Google将深度规划与快速执行分配给不同模型,自动切换在接近Carbon任务成功率的同时降低配额消耗并缩短完成时间。

Google 博客 · Gemini

Google Search 接入 Gemini 4 Hydrogen,迎来重大升级

Google Search 接入 Gemini 4 Hydrogen,现已向全球所有用户开放,提升问题理解、检索和可视化回答能力。升级强化了指令遵循与工具调用,可处理多部分问题、难以辨认的拼写错误和具体请求,并通过并行检索相关子主题提供更广泛的链接。回答将包含更多图片、结构化内容、比较表格和定制工具,所有受支持的 AI Mode 语言也获得更细致的语言理解能力。

推荐理由:Google Search 面向全球用户升级搜索能力,通过并行检索相关子主题扩大链接覆盖,帮助用户发现此前可能未找到的网站。

11月11日星期三

Google DeepMind

Google DeepMind 开放 Gemini 4 Carbon,面向复杂编码、网络安全与科学推理

Google DeepMind 开放 Gemini 4 Carbon,面向开发者、企业、科学家和消费者,重点支持复杂知识工作、长程智能体工作流、网络安全与科学推理。

推荐理由:Google 将 Carbon 定位于复杂多步任务,与 Argon 采用相同入门价格,但会使用更多 token 进行深入探索和验证。

Google 博客 · Gemini

Google 开放 Gemini 4 Carbon,面向复杂智能体任务与科学推理

Google 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,重点支持复杂知识工作、智能体编码、网络安全和科学推理。Carbon 在 CursorBench 4.0、WANDR 和 AutomationBench 排名第 1,Google 称其每项任务成本比表现次优的外部模型低超过 2 倍。

推荐理由:Google 将 Carbon 与 Argon 设为相同入门价格,Carbon 使用更多 token 深入推理和验证以处理复杂多步任务。

11月10日星期二

Google DeepMind

Gemini Robotics 2.5 提升机器人现实场景中的通用灵巧性

Google DeepMind 推出视觉语言动作模型 Gemini Robotics 2.5,提升机器人技能学习速度、灵巧性和安全性,并向机器人合作伙伴逐步开放。

推荐理由:Google DeepMind 将 Gemini Robotics 2.5 用于汽车零件分拣试点,把机器人可靠性测试推进到实际生产线。

Google DeepMind

Google DeepMind 公布 AlphaProof Code,完成 Signal 核心密码代码的形式化验证

Google DeepMind 公布 AlphaProof Code 多 LLM 智能体框架,在四周内完成 Signal 协议核心密码代码关键安全属性的形式化验证。

推荐理由:Google DeepMind 将 Signal 的形式化验证从协议设计推进到实际代码层面,覆盖设计与实现之间容易隐藏漏洞的落差。

11月7日星期六

11月5日星期四

OpenAI News

DevRev 用 GPT-6.1 Sol 打造自主自助服务

DevRev 基于 GPT-6.1 Sol 与 GPT-6 Astra 构建 Computer 和 Operator,用于处理客户与员工的复杂服务请求,强调推理能力、可信度与延迟成本的平衡。

11月3日星期二

Google 博客 · Gemini

Google 回顾 2026 年 10 月 AI 更新,涵盖 Gemini 4 与 Genie 4

Google 回顾 2026 年 10 月 AI 更新,重点包括 Gemini 4 Argon 全球推出、Gemini 4 Carbon 公布及世界模型 Genie 4。

推荐理由:Google 将 Argon 全球开放与 Carbon 限定测试分开推进,两款前沿模型的使用入口与安全测试阶段有明确差异。

10月29日星期四

Mistral AI

Mistral Large 4(Le Chonk)提升编码与防御安全能力

Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的开放权重,这款 1-trillion-parameter 原生多模态模型提升了编码、防御性网络安全与推理效率。

推荐理由:Mistral Large 4 开放权重并允许自托管与定制,经营模型即服务的企业须另获商业许可,自主部署与商业使用的授权边界明确。

Google 博客 · Gemini

Google 发布 Gemini 4 Carbon,提升网络安全与长周期任务能力

Google 宣布 Gemini 4 Carbon,重点提升网络安全防御、编码和长周期智能体任务能力。在未启用防护措施的外部评测中,其漏洞发现、漏洞利用和修复成绩分别为 SEC-bench Pro 88.2%、ExploitGym 54.8% 和 CWE-bench 71.0%。

推荐理由:Google 为 Gemini 4 Carbon 沿用前代入门价格,并报告安全代码生成成功率较前代提升超过 2x。

10月27日星期二

OpenAI News

GPT-6.1 Sol 助 CodeRabbit 强化复杂代码库安全审查

CodeRabbit 将 GPT-6.1 Sol 作为其安全智能体的主模型,把代码审查从单次改动扩展到跨文件、依赖与组件的风险关联分析。CodeRabbit 称已用该模型在数千个代码库和组织中标记安全问题,并通过 CodeRabbit Secure 在隔离沙箱中验证漏洞、为部分问题起草修复 PR 供人工审核。

10月24日星期六

Google 博客 · Gemini

5 位开发者如何用 Gemini 4 Argon 构建三维模拟与多人游戏

Google 展示了社区开发者使用 Gemini 4 Argon 构建的 5 个项目,涵盖三维模拟、实时数据可视化和多人浏览器游戏。案例包括水上飞机模拟、结合 NASA 野火数据与美国地质调查局地震数据的交互地球仪、喷气发动机模拟、由单张图像生成的交互式马车,以及多人夺旗游戏 Backyard Rascals。

10月23日星期五

OpenAI News

用 OpenAI Decisions API 构建响应更快的应用

OpenAI 正式开放基于 GPT‑6 Luna 的 Decisions API,处理限定答案的决策时,比通过 Responses API 使用 GPT‑6 Luna 最多快 10x。

推荐理由:OpenAI 将限定答案的分类与路由决策交给专用 API,让应用工作流中的高频小决策减少延迟与成本累积。

10月21日星期三

OpenAI News

OpenAI 等用数千个 AI 智能体挖掘生物数据中的新研究线索

OpenAI、PerturbAI 和 Scripps Research 用 GPT‑Rosalind 驱动的数千个 AI 智能体,在 32 分钟内分析了数百万个小鼠脑细胞的实验数据并提出研究线索。

推荐理由:OpenAI 在模型与资源固定的对比中发现,分布式智能体覆盖的文献更多,盲评专家在 75% 的比较中偏好其报告。

OpenAI News

Terminal X 用 GPT-6.1 让 Eval Agent 与资深投资人判断一致率达 88.6%

Terminal X 的 Eval Agent 基于 GPT-6.1 Sol,在 500 条评分判断中与资深人类评审的一致率达 88.6%,比次优模型高 220 个基点。该 Agent 按 54 项标准评分,对偏离基金投资授权范围的回答检出率提升约 25%,单次查询成本降低约 30%。一家私募股权客户借助自动化的尽职调查与投资备忘录流程,实现年化 240 万美元节省。

10月17日星期六

DeepSeek · API 更新日志

DeepSeek-V4.1-Flash-1017 更新,API 价格与调用方式不变

DeepSeek V4.1 Flash 已升级至 DeepSeek-V4.1-Flash-1017,官方网页端与 APP 同步更新,API 价格不变,仍通过 deepseek-flash 调用。

推荐理由:DeepSeek 在保持 API 价格与调用方式不变的同时提升模型表现,并缩短任务运行时间与输出长度以降低任务成本。

10月14日星期三

Google DeepMind

Google DeepMind 如何安全、负责任地开发 Gemini 4 Argon

Google DeepMind 为 Gemini 4 Argon 构建了滥用防护、实时失准监控和提示词注入防御,并开始扩大模型开放范围。防护结合输入筛查、内部激活探针与持续监控,模型在编码基准中的走捷径或作弊尝试降至 2%,在 Gray Swan 的 IPI 基准中经过 15 次自适应攻击尝试后的攻击成功率为 0.7%。

推荐理由:Google DeepMind 将实时行为监控与不惩罚思维链的训练原则结合,使智能体的违规尝试保持可监测性。

Google 博客 · Gemini

Google 解读 Gemini 4 Argon 的安全防护与负责任开发

Google 介绍 Gemini 4 Argon 在滥用防范、实时失配监控和提示词注入抵抗方面的安全措施,并于今天开始广泛推出该模型。防护包含输入筛查、内部激活探针和持续监控,模型在 Gray Swan 的 IPI 基准中经 15 次自适应攻击尝试后的攻击成功率为 0.7%。

推荐理由:Google 将实时监控与不惩罚思维链结合,训练中误施思维链惩罚后静默作弊比例上升的案例提供了监控设计的教训。

Google 博客 · Gemini

Gemini 4 Argon 现已向开发者开放

Google 从今天起向开发者开放 Gemini 4 Argon,面向软件工程、企业知识工作和网络安全防御中的复杂工作流。该模型针对需要深度推理和结构精确性的长程任务设计,包括代码迁移和前沿研究。

推荐理由:Google 向开发者开放 Gemini 4 Argon,并列明付费 API 与订阅入口的接入范围。

Google DeepMind

Gemini 4 Argon 为复杂工程、专业工作流与科研难题而打造

Google DeepMind 的 Gemini 4 Argon 今日全球开放,面向编码、金融、法律、网络安全和科学领域的复杂多步骤任务,通过 API、Google Antigravity、Gemini app 和搜索 AI Mode 等入口提供访问。

推荐理由:Google 用 Gemini 4 Argon 将 Chrome 跨数百个文件的架构重构从数月缩短至数周,加快复杂代码库的工程改造。

Google DeepMind

Google DeepMind 展示 Gemini 4 Argon 的机器人推理与控制能力

Google DeepMind 介绍 Gemini 4 Argon 在机器人控制、Real2Sim、物理理解和自我改进中的应用,称其纯推理 ERQA 得分为87%。

推荐理由:Google DeepMind 用 Argon 从实景重建仿真并生成训练数据,将示例中的机器人任务成功率从56%提升至75%。

Google 博客 · Gemini

Gemini 4 Argon:为解决高难度问题而打造

Google 今日全球开放 Gemini 4 Argon,面向复杂编码、金融、法律、网络安全和科学任务,提供 API 及订阅用户入口。Gemini API 支持 1M 输入输出统一 token 上限,初始定价为每百万输入 tokens $2、每百万输出 tokens $10,缓存输入 tokens 优惠 95%。

推荐理由:Google 用 Gemini 4 Argon 完成跨数百个文件的 Chrome 架构重构,将原需数月的工程工作缩短至数周。

Google 博客 · Gemini

Gemini 4 Argon 上线 Gemini app,向 Google AI Pro 和 Ultra 订阅者开放

Gemini 4 Argon 现已上线 Gemini app,Google AI Pro 和 Ultra 订阅者从今天起可访问模型并委托 Gemini 执行任务。

推荐理由:Gemini 将任务入口与超过 40 个应用连接起来,让用户离开电脑后仍能委托它处理购物、订位和业务相关任务。

10月8日星期四

OpenAI News

OpenAI 向更多 ChatGPT 用户推出 GPT‑6 与 Intelligent UI

OpenAI 推出面向更多 ChatGPT 用户的 GPT‑6,新增 Intelligent UI,可在回答中组合文字、图形、按钮、表单和交互工具。模型支持先回答再继续思考补充,内部评测中 GPT‑6 Instant 在需要网页搜索的问题上平均提前 44% 开始回答,相比对象为 GPT‑5.6 Instant。

推荐理由:OpenAI 将交互界面生成融入 GPT‑6 的回答流程,让用户直接在对话中调整输入、探索图解和使用临时生成的工具。

10月1日星期四

Google 博客 · Gemini

Google 发布 Gemini 4 Argon,先向可信网络防御团队开放

Google 宣布新模型 Gemini 4 Argon,通过 Fairwind Program 向部分可信网络防御团队逐步开放,面向编码、企业知识工作和网络安全防御。

推荐理由:Google 将 Gemini 4 Argon 的输出上限从 64K 提升至 1M tokens,为复杂任务的单次长程推理提供更大空间。

9月29日星期二

OpenAI News

OpenAI 发布 GPT‑6.1 Sol,以更低价格接近 GPT‑6 Astra 的能力

OpenAI 发布 GPT‑6.1 Sol,在智能体编码、计算机使用和专业工作上接近 GPT‑6 Astra,标准输入输出 token 价格为其五分之一。

推荐理由:OpenAI 将 GPT‑6.1 Sol 的标准输入输出价格降至 Astra 的五分之一,多项智能体任务评测表现接近 Astra。

9月28日星期一

claude.dev 开发者博客

Claude Sonnet 5.5 开发指南:模型选型、迁移与调优

Claude Sonnet 5.5 已可用,官方称其较 Sonnet 5 快 30%,每 token 价格不变,多数任务成本最多降低 30%。模型原生支持 1M tokens 上下文窗口并默认开启自适应思考,指南建议将其用于需求明确、结果可检查的日常任务,将复杂且需要审慎判断的工作交给 Opus 5.5。

推荐理由:Claude Sonnet 5.5 指南列出思考模式、工具调用与响应结构的迁移调整,升级现有应用需要同步修改参数与解析逻辑。

9月25日星期五

claude.dev 开发者博客

Claude Code 使用指南:如何按任务分配 effort

Claude Code 的 effort 控制模型投入任务的计算量,高档位会增加自主判断、验证和边界测试,低档位适合快速交互与迭代。作者结合 Opus 5.5 实测与 Terminal-Bench 3.0 结果,建议先让模型访谈澄清需求,再低 effort 实现和迭代,最后高 effort 验证;提高 effort 通常减少遗漏边界情况导致的失败,但不能修正错误解题方向。

推荐理由:Claude Code 的实测给出先澄清需求、低 effort 实现再高 effort 验证的流程,将快速迭代与边界测试分配到不同阶段。

9月10日星期四

OpenAI News

OpenAI 推出金融专用版 ChatGPT,内置投行常用数据库和 GPT-6 Astra

OpenAI 发布 ChatGPT for Financial Services,一款结合内置金融数据与 GPT-6 Astra 推理能力的定制版 ChatGPT Work 体验,用于生成研究、财务模型和客户材料。

推荐理由:OpenAI 发布面向金融行业的定制版 ChatGPT,内置付费金融数据库并接入 GPT-6 Astra,用于生成研究、财务模型和客户材料。

9月2日星期三

Hugging Face 博客

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

Ai2 在 Hugging Face 博客发布 BenchMIRT,一种在单条提示词层面审计 LLM 基准的新方法,基于多维项目反应理论(MIRT)估计每道题难度及其区分能力。

推荐理由:Ai2 发布 BenchMIRT,用多维项目反应理论在单条提示词层面估计每道基准题的难度与区分能力,为判断基准究竟测什么提供了一套可迁移的审计方法。

8月25日星期二

Hugging Face 博客

IBM 公开 Granite 4.2 模型完整训练流程,从预训练到让模型学会用工具

IBM Granite 团队发布 Granite 4.2,这是其首个稠密、decoder-only 的推理大语言模型家族,包含 3B、8B、30B 三个尺寸,均以 Apache 2.0 许可开源。

推荐理由:IBM 公开 Granite 4.2 从预训练到工具调用能力的完整训练流程,三个尺寸均以 Apache 2.0 开源,为关注稠密模型训练管线的开发者提供了一份可参考的工程路径。

Hugging Face 博客

Multiverse 搞了个“量化感知修复术”,让 4-bit 压缩模型跑赢了原版全精度模型

Multiverse Computing 在 Hugging Face 博客发布论文《Quantization-Aware Healing: A Practical Recipe for Recovering Compressed, 4-Bit LLMs》,提出 QAH 方法:不再从恢复后的 bfloat16 检查点蒸馏,而是直接从压缩前的原始全精度模型蒸馏,师生架构可以不同。

推荐理由:Multiverse Computing 提出 QAH 方法,从压缩前的原始全精度模型蒸馏来修复 4-bit 量化模型,师生架构可不同,为压缩后性能恢复提供了一条可迁移的路径。

8月13日星期四

DeepSeek · API 更新日志

DeepSeek-V4-Pro 正式版上线,增强 Agent 能力并原生支持 Responses API

DeepSeek-V4-Pro 正式版已在 APP、网页端和 API 上线,增强 Agent 能力,API 调用方式不变,模型名仍为 deepseek-v4-pro。

推荐理由:DeepSeek 将采用闲时价格为高峰时段一半的峰谷定价,允许调整执行时间的任务可通过错峰调用降低 API 成本。

8月1日星期六

OpenAI News

OpenAI 内部模型 Astra 解出十个十年未破的数学难题

OpenAI 公布了由其内部模型 Astra 生成的十项数学与理论计算机科学新成果。这些问题最短也有十年没人能推进,包括高维球体最密堆积的新上界、非 sofic 群的存在性构造、对 Connes 刚性猜想的否证,以及最近向量问题的多项式因子难度证明。所有论证都用 Lean 做了形式化验证,模型的推理过程也公开了。

推荐理由:OpenAI 公布内部模型 Astra 生成的十项数学与理论计算机科学成果,问题最短十年无人推进,论证均经 Lean 形式化验证,推理过程公开。

7月31日星期五

OpenAI News

OpenAI 发了一篇战略说明,讲怎么靠降价、提效和全栈联动把“智能”做成大宗商品

OpenAI 在 7 月 31 号发了篇博客,没发新模型,核心是解释他们的“充裕智能”打法。逻辑很简单:模型越强越便宜,用的人就越多;用的人越多,赚的钱和拿到的反馈就越多,就能继续砸钱搞研发和基建。他们给了几个具体数字:GPT-5.6 Luna 的输入/输出价格砍了 80%,降到每百万 token 0.2 美元和 1.2 美元。

推荐理由:OpenAI 用一篇博客解释其降价与提效的路线,并给出 GPT-5.6 Luna 输入输出价格下调 80% 的具体数字,为理解大模型定价走向提供了官方口径。

7月16日星期四

Hugging Face 博客

模型路由很简单,直到你开始算真实成本

IBM 的人拿 417 个 AppWorld 任务跑了一遍,发现按标价选模型会翻车。Claude Sonnet 4.6 总花费 79 美元,GPT-4.1 却花了 155 美元,贵了快一倍。原因是 agent 干活时会反复用同一大段上下文,Sonnet 的缓存读取价更低,靠这个把总账拉回来了。

推荐理由:IBM 用 417 个 AppWorld 任务实测发现,按标价选模型会误判成本,GPT-4.1 总花费 155 美元,Claude Sonnet 4.6 只需 79 美元,差距来自 agent 反复读取长上下文时的缓存定价。

6月25日星期四

Google 研究院

Google 发现让模型先想一会儿,能把它训练时记住但平时想不起来的知识挖出来

这篇博客讲的是推理如何帮大模型从自己的参数里“回忆”事实。他们拿 Gemini 2.5 Pro 在 Natural Questions 上测,不给推理机会时准确率大概 40%,让它先思考再回答,准确率直接跳到 70% 以上。提升不是靠外挂资料库,而是模型在推理过程中把模糊的记忆碎片串成可验证的链条,推理步骤里经常出现自我提问和事实核查。

推荐理由:Google 用 Gemini 2.5 Pro 在 Natural Questions 上测试发现,模型先推理再作答时准确率从约 40% 升到 70% 以上,推理过程会把模糊记忆串成可核查的事实链条。

6月18日星期四

OpenAI News

OpenAI 用 o3 模型重查 376 个儿童疑难病例,帮医生揪出 18 个新诊断

波士顿儿童医院、哈佛和 OpenAI 拿 o3 的“深度研究”模式,把 376 个之前没查明白的儿童罕见病病例重新翻了一遍。模型不是直接看病,而是根据基因数据和临床症状,提出有文献证据支持的候选病因。医生团队审核后,再走 CLIA 认证实验室的流程做验证,最终确认了 18 个新诊断,相当于在专家已经看过的基础上又多找出 4.8% 的病因。

推荐理由:波士顿儿童医院与哈佛、OpenAI 用 o3 重查 376 个未确诊儿童罕见病病例,在专家已有结论基础上新增 18 个诊断,并经过 CLIA 认证实验室验证。