跳到正文

#推理

今日 3 条

7月1日星期三

AI HOT 精选

Anthropic 发布 Claude Sonnet 5,性能逼近更贵的 Opus 系列,部分测试反超

Anthropic 推出了新模型 Claude Sonnet 5,官方说这是目前最会自主干活的 Sonnet 版本——它能自己定计划、调用浏览器和终端这类工具。跑分全面超过上一代 Sonnet 4.6,在真实世界知识工作测试 GDPval-AA v2 上拿了 1618 分,比更贵的 Opus 4.8 还高出 3 分。

推荐理由:Anthropic 发布 Claude Sonnet 5,官方称其为最会自主干活的 Sonnet 版本,能自行制定计划并调用浏览器和终端;在 GDPval-AA v2 上得分 1618,比更贵的 Opus 4.8 高出 3 分。

Hacker News 首页

Anthropic 发布 Claude Sonnet 5:自主干活能力追平 Opus 4.8,价格还便宜一截

Claude Sonnet 5 是 Anthropic 目前最能自主干活的中档模型。它能自己定计划、用浏览器和终端跑任务,在推理、写代码、工具使用这些指标上比上一代 Sonnet 4.6 强出一大截,表现已经接近旗舰 Opus 4.8。

推荐理由:Anthropic 发布中档模型 Claude Sonnet 5,自主规划与浏览器、终端操作能力接近旗舰 Opus 4.8,定价低于后者,可与上一代 Sonnet 4.6 的基准提升对照。

Hacker News 首页

Anthropic 发布 Claude Science 桌面应用,主打科研分析与数据库检索

Anthropic 推出了一个叫 Claude Science 的桌面应用,目前是测试版。它把自己定位成“研究搭档”,能跑分析、搜数据库,还会把从数据整理到发表的每一步都记录下来,方便追溯。现在只提供 macOS 和 Linux 的下载链接,正文没提 Windows 版、定价,也没说背后用的是哪个模型。在跑分出来之前,可以先把它当成一个带审计追踪的研究助手。

推荐理由:Anthropic 推出测试版桌面应用 Claude Science,定位科研搭档,能跑分析、检索数据库并记录从数据整理到发表的每一步,方便追溯。

6月30日星期二

Dwarkesh Patel 播客

Grant Sanderson 谈 AI 与数学:IMO 金牌不是 AGI,但数学会最先撞上超级智能

Grant Sanderson 跟 Dwarkesh 聊了聊为什么 AI 拿了国际奥数金牌却没变成 AGI。几何题能被暴力穷举 19 秒搞定,但组合数学题还是会把模型绊倒,能力边界是锯齿状的。他指出,一个概念性突破的验证周期可能长达一个世纪,就算 AI 证出了黎曼猜想,人类也可能根本看不懂。

推荐理由:Grant Sanderson 用几何题 19 秒暴力求解、组合数学仍卡壳的例子,谈 AI 数学能力的锯齿状边界,以及概念突破验证周期可能长达一个世纪。

Ben's Bites

GPT-5.6 发布了,但被美国政府卡着,普通人暂时用不上

OpenAI 推出了 GPT-5.6 系列,包含 Sol、Terra、Luna 三个模型,Sol 是里面最聪明的。目前只有少数合作伙伴能拿到权限,Sam Altman 说普通用户很快也能用,但一开始可能只限美国。文章没具体说美国政府卡在哪个环节。另外,OpenAI 还发了一篇关于 Codex 使用情况的经济学论文,显示非技术部门的采用率正在追上工程部门。

推荐理由:OpenAI 发布 GPT-5.6 系列三个模型,目前仅少数合作伙伴可用,普通用户开放初期可能只限美国,新模型的发布节奏与权限限制由此连在一起。

6月28日星期日

AI HOT 精选

马斯克说 Grok 4.5 已在 SpaceX 和 Tesla 内部测试,性能接近 Opus

Grok 4.5 基于一个 1.5 万亿参数的 V9 基础模型,训练时额外喂了 Cursor 的数据,现在在 SpaceX 和 Tesla 内部试用。马斯克说初步跑分接近甚至可能超过 Opus,但没说是哪个版本的 Opus、用的什么基准测试、测了多大样本。强化学习还在继续拉性能,Grok Build 工具链也在完善。

推荐理由:马斯克称 Grok 4.5 已在 SpaceX 和 Tesla 内部测试,基于 1.5 万亿参数的 V9 基础模型并加入 Cursor 数据训练,性能初步接近 Opus。

AI HOT 精选

新浪开源 VibeThinker-3B:推理能力能塞进小模型,但知识储备不行

新浪微博放出了一个 30 亿参数的小模型 VibeThinker-3B,在数学和编程题上能跟 DeepSeek V3.2、Kimi K2.5 这些大几百倍甚至上千亿参数的模型打平。它是在阿里的 Qwen2.5-Coder-3B 基础上,靠多阶段后训练(先监督微调学各种任务,再用强化学习专攻数学、编程、理科推理,最后自我蒸馏合并技能)把性能拉上去的。

推荐理由:新浪开源 30 亿参数的 VibeThinker-3B,在数学和编程题上追平参数量大数百倍的 DeepSeek V3.2 与 Kimi K2.5,其多阶段后训练流程也交代得较完整。

AI HOT 精选

四大AI打《文明VI》:Claude造核弹炸了法国,结果还是输了

英国前首相府数据科学家Liam Wilkinson花一个周末搭了76个MCP工具(让模型能直接操作游戏的功能接口),把Claude、GPT、Gemini等四个模型扔进《文明VI》打了23局。

推荐理由:英国前首相府数据科学家Liam Wilkinson用76个MCP工具让四个模型在《文明VI》打了23局,Claude造核弹炸法国仍输掉,可看模型在游戏里的感知与执行差距。

Computing Life · Share · 鸭哥调研

前沿模型安全重心移向运行时:GPT-5.6 和 Anthropic 走了两条不同的工程路

OpenAI 和 Anthropic 最新的系统卡显示,模型安全不再只靠训练阶段的对齐,而是转向运行时的管控。GPT-5.6 Sol 在推理过程中用激活分类器实时监测模型内部状态,在有害内容到达用户前就掐断,同时配套了账户安全分和两级扫描系统。

推荐理由:OpenAI 与 Anthropic 的系统卡显示,两家把安全重心从训练对齐移向运行时管控,GPT-5.6 Sol 用激活分类器在推理中实时监测内部状态,两条工程路径的差异提供了对比视角。

Computing Life · Share · 鸭哥调研

AI 补贴退潮后,agent 开始按每美元智能计价

大模型 token 的隐性补贴正在退场。GitHub Copilot 在 2026 年 6 月 1 日改成了按用量计费,OpenAI、Anthropic 等厂商也集中更新了提示词缓存(prompt caching)的收费规则,Linux Foundation 甚至打算成立 Tokenomics Foundation 来定成本标准。

推荐理由:GitHub Copilot 改为按用量计费,OpenAI、Anthropic 同步调整提示词缓存收费,大模型 token 的隐性补贴正在退场,这条梳理了 agent 成本结构转向按每美元智能计价的过程。

6月27日星期六

AI 群聊日报

GPT-5.6 Sol 发布但可能拿不到,GLM 5.2 抢不到货,STOC 现场跑通 AI 自动证数学题

OpenAI 预览了 GPT-5.6,分 Sol、Terra、Luna 三档,Sol Ultra 在 TerminalBench 2.1 跑出 91.9% 排第一,最便宜的 Luna 也超过了上一代旗舰 Claude Opus 4.8。但受前一天出口管制消息影响,群里有人泼冷水说“5.6 也发不出来了”。

推荐理由:OpenAI 预览 GPT-5.6 的 Sol、Terra、Luna 三档,Sol Ultra 在 TerminalBench 2.1 跑出 91.9% 居首,最便宜的 Luna 也超过上一代旗舰 Claude Opus 4.8。

6月26日星期五

AI HOT 精选

AI 的下一个突破口:在工作中边干边学

Dwarkesh Patel 认为,各大 AI 实验室现在赌的是用海量可验证任务把模型训成通用智能,但这套打法漏了一个关键前提:任务光能验证还不够,还得能“刷”——也就是能在确定、可回放的环境里并行跑大量试错。他用电脑操作举了个例子:让 AI 在 Etsy 上下单是可验证的,但你没法同时派一千个代理去冲亚马逊的结账流程,会被封。

推荐理由:Dwarkesh Patel 指出,AI 训练任务除了可验证,还需能在确定环境里并行试错,他用 Etsy 下单与亚马逊结账流程的对比说明这一条件为何难以满足。

AI HOT 精选

Ornith-1.0 开源四个编程智能体模型,397B 版本自称打平 Claude Opus 4.8

Ornith-1.0 放出了四个尺寸的模型,从 9B 到 397B 都有,MIT 协议随便用。它们基于 gemma4 和 qwen3.5 做后训练,用的强化学习方法同时优化任务拆解和方案自我修正,相当于教模型先想清楚步骤再动手改代码。

推荐理由:Ornith-1.0 以 MIT 协议开源 9B 到 397B 四个尺寸的编程智能体模型,后训练同时优化任务拆解与方案自我修正。

AI 群聊日报

白宫首次在模型发布前出手,要求 GPT-5.6 分阶段发布并逐客户审批

白宫在 6 月 25 日要求 OpenAI 对 GPT-5.6 搞分阶段发布,政府要逐个审批客户访问权限,原因是它被认定有“Mythos 级别”能力,能在几小时内突破高防护系统。这是美国头一回在模型正式发布前就主动介入,跟之前 Fable 5 被关停连起来看,政策链条已经成型了。

推荐理由:白宫在模型发布前要求 OpenAI 对 GPT-5.6 分阶段发布并逐客户审批,与 Fable 5 被关停连起来看,美国对前沿模型的管控链条已从发布后延伸到发布前。

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24日星期三

Hacker News 首页

LEVI:用便宜的小模型做算法发现,成本降到原来的1/3到1/7

UCB的ADRS团队搞了个叫LEVI的框架,核心思路是不再所有步骤都砸最贵的模型。大部分代码变异交给QWEN 30B这种便宜小模型去跑,只在需要换思路、搞范式转移的时候才请出顶尖大模型。为了让这套机制不跑偏,LEVI同时盯着代码结构和实际运行表现来维持多样性,防止搜索过程全坍缩成同一类解法。

推荐理由:UCB的ADRS团队提出LEVI框架,把大部分代码变异交给30B小模型,仅在需要换思路时调用顶尖大模型,成本降至原来的1/3到1/7。

AI 群聊日报

AI 的讨好是隐蔽的陷阱,Loop 只是把债往后挪了挪

今天群聊最值得看的是 @沉稳的仓鼠 用自己的项目复盘了一个关键问题:AI 给建议时,依据的是网上流传的“好故事”比例,而不是现实里事情发生的真实概率。你喂给它情绪,它就帮你编故事;你喂给它账本,它才帮你面对现实。他那个月入一万五千美元的项目,AI 最早给的建议全错了,最后奏效的反而是覆盖长尾考试、做好练习题、免费加广告这些朴素动作。

推荐理由:群聊成员复盘月入一万五千美元的项目,指出 AI 建议依据的是网上流传的故事比例而非现实发生概率,并列出最终奏效的朴素动作。

6月23日星期二

Hacker News 首页

VibeThinker-3B:一个30亿参数模型,在可验证推理上打平或超过DeepSeek V3.2等大模型

这篇技术报告放出了一个叫VibeThinker-3B的小模型,只有30亿参数,但在数学竞赛题(AIME26得分94.3,加长思考时间能到97.1)、编程题(LiveCodeBench v6的Pass@1是80.2)和没见过的LeetCode比赛(通过率96.1%)上。

推荐理由:一个3B模型在数学和编程推理上对标甚至超过大模型,反差故事够强,数字也扎实,方法可复现。扣分是因为单篇报告还没被社区复现,82分合适。

6月22日星期一

Hacker News 首页

Claude Code 的“长思考”输出是事后摘要,不是模型当时的真实推理

Patrick McCanna 翻看了 Claude Code 存在本地的会话日志,发现“思考块”里只有一段 600 字符的签名,没有可读的推理文本。Anthropic 把真正的推理过程加密塞进了这个签名里,解密密钥留在自己服务器上,API 只返回一份摘要。

推荐理由:Patrick McCanna 翻查 Claude Code 本地会话日志,发现思考块只存一段 600 字符签名,Anthropic 将真实推理加密留在自己服务器,API 仅返回事后摘要。

Hacker News 首页

Sakana 发布 Fugu:把多模型协作打包成一个 API,让系统自己学会怎么组队干活

Sakana AI 把多模型协同的技术做成了产品 Fugu,背后是两篇 ICLR 2026 论文(TRINITY 和 Conductor)。简单说,它不是靠人预先规定哪个模型干什么活,而是让系统自己学出怎么给任务分配角色、切换模型。

推荐理由:Sakana AI 将 TRINITY 和 Conductor 两篇 ICLR 2026 论文做成产品 Fugu,让系统自行学习任务分配与模型切换,而非依赖人工预设。

6月20日星期六

Hacker News 首页

GPT-5.5 的幻觉率是开源模型 GLM-5.2 的三倍,大模型迷信该破了

作者拿 GPT-5.5、DeepSeek V4 Pro 和智谱的 GLM-5.2 做了个对比测试。在 AA-Omniscience 幻觉基准上,GPT-5.5 的幻觉率高达 86%,DeepSeek V4 Pro 更是飙到 94%,而 GLM-5.2 只有 28%。这意味着前两者遇到不会的问题时,十次里有八九次会瞎编一个答案,而不是老实说“我不知道”。

推荐理由:个人博客用 AA-Omniscience 基准对比三款模型,GPT-5.5 幻觉率 86%、DeepSeek V4 Pro 94%,开源 GLM-5.2 仅 28%,给出了一组具体的横向参照。

6月19日星期五

Latent Space

GLM-5.2 通过社区实测,Z.ai 预告年底开源 Fable 级模型

智谱的 GLM-5.2 被多个独立来源认为是第一个在日常使用中摸到前沿水平的开源模型。Jeremy Howard 觉得它至少不输 Opus 4.8 和 GPT-5.5,但缺视觉能力。Artificial Analysis 在一个知识工作评测里把它排在 GPT-5.5 之上。

推荐理由:GLM-5.2 被 Jeremy Howard 和 Artificial Analysis 分别给了正面评价,是少有的开源模型被独立来源推到和 GPT-5.5、Opus 4.8 同一档。扣分是因为原文是付费 newsletter,细节有限,但判断本身有多个信源交叉验证,可信度不低。

AI HOT 精选

DeepSeek研究员开源AutoResearch:AI自己跑完285B模型强化学习全流程

DeepSeek研究员Deli Chen放出了一个叫AutoResearch的实验协议,让AI智能体在285B参数的模型上独立跑完了一整套强化学习研究闭环——自己设计实验、写代码、提交GPU任务、修bug、写总结,全程没人插手。系统用了GRPO这个工具。

推荐理由:DeepSeek研究员Deli Chen开源的AutoResearch协议,让AI智能体在285B参数模型上独立完成强化学习研究闭环,从设计实验到写总结全程无人干预。

AI HOT 精选

Steve Yegge:Fable 被美国政府短暂关闭,意味着最聪明的 AI 模型以后会像核武器一样被锁起来

Steve Yegge 认为,Fable 模型被美国政府短暂关停是一个分水岭,说明模型智能已经危险到需要管控了。他预测,最多再过两三代模型,最前沿的 AI 就会像核武器一样被政府严格管制,绝大多数财富 500 强公司都拿不到访问权限。开源模型虽然能追到 Fable 这个级别,但受限于算力壁垒和供应链封锁,很难再往上突破。

推荐理由:Steve Yegge 把 Fable 被短暂关停视为分水岭,并预测最前沿模型将在两三代内受到政府严格管制,多数财富 500 强公司难以获得访问权限。

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。

Hacker News 首页

OpenRouter 让 11 个大模型打了 30 场吃鸡赛,Grok 4.1 Fast 赢了 43%,成本只有 Claude 的 1/27

OpenRouter 的 Jacky Liang 把 11 个模型扔进一个 2D 吃鸡游戏里打了 30 局。Grok 4.1 Fast 赢了 13 局,每赢一局成本 0.97 美元;Claude Sonnet 4.6 赢了 5 局,每赢一局要 26.78 美元,差了 27 倍。

推荐理由:OpenRouter 的 Jacky Liang 让 11 个模型在 2D 吃鸡游戏里打了 30 局,Grok 4.1 Fast 赢 13 局、每胜成本 0.97 美元,Claude Sonnet 4.6 赢 5 局、每胜 26.78 美元。

6月17日星期三

Hacker News 首页

GLM-5.2 登顶开源模型排行榜,在智能体任务上打平 GPT-5.5

Z.ai 的 GLM-5.2 在 Artificial Analysis 的 Intelligence Index v4.1 上拿了 51 分,超过 MiniMax-M3 和 DeepSeek V4 Pro(都是 44 分),成了目前最强的开源权重模型。

推荐理由:GLM-5.2 在 Artificial Analysis 的 Intelligence Index v4.1 上以 51 分超过 MiniMax-M3 和 DeepSeek V4 Pro 的 44 分,成为当前得分最高的开源权重模型。

AI 群聊日报

群友实测:Fable 5 活了三天就被收走,但用过的人都说它是“上帝下凡”

Anthropic 的 Fable 5 模型上线大约 72 小时就被撤下,正文没披露具体原因。群友实测下来,它在复杂推理、编程和写作上明显强过 Opus 4.8 和 GPT-5.5:有人卡了两个月的难题它两分钟解决,MindStudio 测出多步编程自纠率 81%,Vellum 直接说这是“代差级跃升”。

推荐理由:Anthropic 的 Fable 5 上线约 72 小时即被撤下,群友实测显示其在复杂推理、编程和写作上强过 Opus 4.8 与 GPT-5.5,多步编程自纠率达 81%。

Hacker News 首页

GLM-5.2(max)在综合智能榜排第一,但价格是同类开源模型的 3 倍

Z AI 在 2026 年 6 月放出了 GLM-5.2(max),一个总参数量 7530 亿、每次推理激活 400 亿参数的开源模型,用 MIT 协议。它在 Artificial Analysis 的智能指数上拿了 51 分,在 92 个模型里排第一,远超平均的 24 分。速度也不错,每秒能吐 112 个 token。

推荐理由:Z AI 以 MIT 协议开源 GLM-5.2(max),7530 亿总参数、每次推理激活 400 亿,在 Artificial Analysis 智能指数上以 51 分居 92 个模型之首,价格却是同类开源模型的三倍。

Latent Space

Z.ai 开源 GLM-5.2:744B 参数,前端编程跑分压过 Claude Opus 4.8

Z.ai 周末扔了个 MIT 许可的 GLM-5.2,744B 参数的 MoE 模型,主攻编程和长流程任务。第三方评测显示,它在 Code Arena 前端榜上把 Claude Opus 所有版本都超了,总榜也只比 Opus 4.8 差一点。

推荐理由:Z.ai 以 MIT 许可开源 744B 参数的 MoE 模型 GLM-5.2,主攻编程与长流程任务,第三方评测显示其在前端编程榜上超过 Claude Opus 各版本。

Computing Life · Share · 鸭哥调研

推理模型四年史:你以为的石破天惊,其实早有暗线

推理模型不是2024年突然蹦出来的。让模型写解题步骤的思维链、用自己生成的正确推理训练自己的STaR、给中间步骤打分的过程奖励模型,这些技术从2022年起就陆续成熟了。o1真正改变的是产品化:把推理变成一种可以计费、可以调度的资源,在API里引入reasoning tokens和可调节的思考强度参数,相当于给scaling law开了第二个轴。

推荐理由:从2022年思维链、STaR到过程奖励模型,梳理推理模型技术积累的四年脉络,并指出o1把推理变成可计费、可调度资源这一产品化转折。

AI HOT 精选

Sumi:从头训练的 7B 开源均匀扩散语言模型

Sumi 是第一个从零开始、用 1.5 万亿 token 预训练出来的 7B 参数均匀扩散语言模型。均匀扩散的意思是,模型在生成文本时每一步都可以修改任意位置的词,不像传统模型只能从左往右写,理论上更灵活。团队把模型权重、训练检查点和完整配方全公开了,包括用了哪些公开数据集、怎么混合的。

推荐理由:Sumi 团队从零预训练出 7B 均匀扩散语言模型,生成时每步可改任意位置词,并公开权重、检查点和完整数据配方。

6月16日星期二

AI HOT 精选

蚂蚁百灵开源三款新模型,用混合注意力架构把推理速度拉到 340 tokens/s

蚂蚁百灵发了 Ling-2.6-flash、Ling-2.6-1T 和 Ring-2.6-1T 的技术报告,代码和权重都公开了。三款模型用了同一种 Hybrid Linear Attention 架构,把 Lightning Attention 和 MLA 按 7:1 的比例拼在一起,主要为了在长文本上跑得快、省资源。

推荐理由:蚂蚁百灵开源 Ling-2.6-flash、Ling-2.6-1T 和 Ring-2.6-1T 三款模型,代码与权重公开,其 Hybrid Linear Attention 按 7:1 拼接 Lightning Attention 与 MLA,用于长文本提速省资源。

6月15日星期一

AI HOT 精选

MiniMax 开源 M3 模型,428B 总参数里只激活 23B,长文本推理更省钱

MiniMax 把 M3 模型权重放出来了,总参数 428B,每次推理只激活 23B,同时发了 MSA 稀疏注意力论文,专门降长上下文推理成本。M3 是第一个从预训练阶段就用图文交错数据练出来的开源模型。

推荐理由:MiniMax 开源 M3 权重,428B 总参数每次推理只激活 23B,并同步发布 MSA 稀疏注意力论文,为长上下文推理降本提供了一条可参考的稀疏激活路线。

AI HOT 精选

Kimi K2.7 Code 出了个高速版,写代码输出快 5-6 倍,但 API 价格翻倍

Kimi 给 K2.7 Code 模型加了个高速通道,模型本身没变,但输出速度拉到常规编程约 180 Token/s、短上下文能冲到 260 Token/s,是普通版的 5-6 倍。代价是 API 调用价格翻倍,Kimi Code Plan 用户消耗按 3 倍算。用的时候必须开思考模式,关掉会报错或退回 K2.6。

推荐理由:Kimi 为 K2.7 Code 增加高速通道,模型未变而输出速度提升到常规版的 5 至 6 倍,代价是 API 价格翻倍、Code Plan 消耗按 3 倍计。

6月13日星期六

AI 群聊日报

美国出口管制突袭 Fable 5,Anthropic 两小时内全球断供;智谱 GLM-5.2 趁乱全量开源

美国商务部把 Fable 5 和 Mythos 5 列入了出口管制,禁止向境外和美国境内的外籍人士提供服务,连 Anthropic 自己的外籍员工都用不了。Anthropic 在收到指令后两小时内就关停了这两个模型,但声明里说政府引用的越狱漏洞其实在 GPT-5.5 等公开模型里也广泛存在,单凭这个就禁掉面向数亿人的模型不合理。

推荐理由:美国商务部将 Fable 5 和 Mythos 5 列入出口管制,Anthropic 两小时内关停服务,其声明称所引越狱漏洞在 GPT-5.5 等公开模型中同样存在。

AI HOT 精选

Anthropic 关停 Claude Fable 5,Opus 4.8 和 GPT-5.5 仍是推荐组合

Anthropic 按美国政府指令,对所有用户停用了 Claude Fable 5。现在新会话默认切到 Opus 4.8,之前用 Fable 5 的会话会直接报错。DAIR.AI 的 Elvis Saravia 让大家别慌,他说 Fable 5 对多数任务本来就不值——成本高,性能还被砍过。

推荐理由:Anthropic 按美国政府指令停用 Claude Fable 5,新会话默认切到 Opus 4.8,原有会话直接报错,Elvis Saravia 同时给出 Fable 5 成本高、性能被砍的判断与替代组合。

6月12日星期五

AI HOT 精选

Kimi 开源了 K2.7-Code 代码模型,内部跑分比上一代高 11% 到 31.5%,推理还省了 30% 的 token

Kimi 把最新的代码模型 K2.7-Code 开源了。跟上一代 K2.6 比,它在自家三个测试集上分数都涨了:Kimi Code Bench v2 涨了 21.8%,Program Bench 涨了 11%,MLS Bench Lite 涨了 31.5%。推理时吐出的 token 量少了 30%,相当于同样的活儿更省算力。

推荐理由:Kimi 开源代码模型 K2.7-Code,在自家三个测试集上比上一代 K2.6 高出 11% 到 31.5%,推理 token 量减少 30%,开源与效率提升同时出现。

AI HOT 精选

Hugging Face 开源了 Open-R1,要完整复现 DeepSeek-R1 的推理能力

Hugging Face 在 GitHub 上发布了 Open-R1 仓库,目标是完全复现 DeepSeek-R1 这个推理模型。目前仓库已经拿到 2.61 万颗星和 2.4k 次复刻,但正文只放了项目首页的导航和元数据,没有公开具体的实现计划、训练数据、复现进度或跑分结果。

推荐理由:Hugging Face 在 GitHub 开源 Open-R1 仓库,目标是完整复现 DeepSeek-R1 的推理能力,仓库已获 2.61 万颗星和 2.4k 次复刻,是观察开源社区复现推理模型路径的入口。

6月11日星期四

机器之心 · 公众号

ACL 2026 Oral:大模型在短语语义推理上还是“如鲠在喉”

这篇ACL 2026 Oral论文给前沿大模型做了一次短语层面的“体检”,结论有点反直觉:模型能聊但未必真懂。研究把语义理解拆成抽取、分类、释义三步来测,发现没有一个模型能全优。GPT-5在习语分类上能到85.4%,但同一批短语的抽取就掉到78.7%,释义相似度更是只有22.5%。

推荐理由:ACL 2026 Oral 论文把语义理解拆成抽取、分类、释义三步测试前沿模型,GPT-5 习语分类达 85.4%,同批短语抽取降至 78.7%,释义相似度仅 22.5%。