跳到正文

#推理

今日 3 条

10月16日星期五

The Decoder

Google Gemini 4 Argon 的评测表现比近几个月其他 Google 模型更接近前沿水平

Google DeepMind 的 Gemini 4 Argon 在 Epoch AI 综合能力指数 ECI 中达到 165,接近 GPT-6 Astra 的 166 和 Opus 5.5 的 167。

推荐理由:Google 的 Argon 在两种测试环境中表现差距显著,保留推理与上下文压缩等厂商 API 功能也参与了基准能力的比较。

AI HOT · 模型

Reflection 发布开源 MoE 模型 Beam 501B,Hugging Face 提供部署与微调指南

Reflection 发布开源 MoE 模型 Beam,总参数为 501B、每个 token 激活 23B,支持 1M tokens 上下文,采用 Apache 2.0 许可证。

推荐理由:Hugging Face 为 Beam 提供分精度部署和微调配方,将模型权重、长上下文缓存与训练所需的硬件资源分别列明。

AI HOT · 产品

SGLang 为 816B 开放权重多模态模型 Muse Spark Open 提供 Day-0 支持

SGLang 为 Muse Spark Open 提供 Day-0 支持,加入序列并行、NVFP4 MegaMoE、多模态处理优化及 DFlash V2 推测解码。

推荐理由:SGLang 将序列并行与 MegaMoE 联用于长提示词预填充,在七档并发测试中将 p90 首 token 延迟降低 28.3–41.9%。

10月15日星期四

AI HOT · 产品

Google 公开发布 Deep Review,支持多领域技术文档审查

Google 公开发布智能体审稿系统 Deep Review,将学术论文审查扩展至设计文档、演示文稿及法律和金融文档。系统采用分段、动态预算分配、并行验证和全局综合四阶段流程,检查逻辑一致性、数学陈述及事实依据,并将高层判断留给人类。

推荐理由:Deep Review 将文档分段、动态分配计算预算并行核查,再统一检查跨段一致性,为复杂文档审查提供可迁移的多智能体流程。

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%。

The Verge · AI

Google 发布 Gemini 4 Argon,首发 token 单价约为部分竞品的五分之一

Google 发布 Gemini 4 Argon,称其提升了前沿推理和复杂工作流表现,并减少含糊措辞、重复与套话。模型今天起向 Gemini 应用和搜索 AI 模式的 Pro、Ultra 订阅用户,以及 Antigravity 的 Ultra 用户推出,Plus 和免费用户的开放安排尚不明确。

推荐理由:Google 为 Gemini 4 Argon 设置的首发 token 单价约为部分竞品的五分之一,同一任务的实际成本仍取决于 token 用量。

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13日星期二

Computing Life · Share · 鸭哥调研

Anthropic 成本指南解读:该调 effort 还是换模型

Anthropic 成本指南建议按每个成功任务的成本比较模型,并优先测试调整 effort,再衡量多模型分层是否更划算。文中指出,会话中切换模型可能破坏提示词缓存,调整 effort 则不会;SWE-bench Pro 测试中,先用 low、失败后用 high 重跑,准确率为 97.0%,每题成本为 0.17 美元,全量 high 则为 95.3% 和 0.29 美元。

推荐理由:Anthropic 指南将单模型低 effort 的每任务成本设为分层方案的比较基线,让调度架构的成本收益有了具体衡量标准。

AI HOT · 模型

Meta 发布 Muse Wonder 和 Muse Wonder Full,实测智能指数较前代提升

Meta 发布 Muse Wonder 和 Muse Wonder Full,在最高推理强度下的 Artificial Analysis Intelligence Index v4.3 成绩分别为 52 和 56,高于前代 Muse Spark 1.3 的 48。

推荐理由:Meta 的 Muse Wonder 智能指数较前代提升 4 点,单任务成本达到前代的 2.8x,提升能力的同时增加了调用成本。

10月10日星期六

The Decoder

OpenAI 批量发布数学手稿,数学家表达震惊与不满

OpenAI 于 October 6, 2026 一次发布超过 700 篇手稿,声称解决数百个开放数学问题,数学博客 Proofs and Prompts 汇集了超过 100 条研究者回应。部分专家赞赏其中的新思路,但已有论文撤回,另有论文被批评难以阅读,其数学成果尚未得到全面评估。许多数学家担忧研究计划、年轻研究者的职业前景及理解这些论文所需的额外劳动,也有人欢迎 AI 带来的研究机会。

推荐理由:OpenAI 批量公布数学问题解答,使部分研究者面临研究计划受冲击、职业前景焦虑和解读论文的额外负担。

The Verge · AI

OpenAI集中发布近400项数学成果,数学家称理解它们可能需要数年

OpenAI本周发布近400项AI生成的数学成果,分布于700多篇手稿,受访数学家估计理解这些成果可能需要数年。OpenAI称719篇手稿中的300项顶层结果已完成形式化,研究者仍须核查形式化与论文主张是否一致;截至10月8日,已有十多篇手稿修订、3篇因符号错误撤回。多名研究者认可部分成果的学术价值,同时指出论文表述和引用存在问题,集中发布已冲击部分研究计划与经费申请。

推荐理由:OpenAI集中发布数学成果,将核验、解释与梳理研究脉络的工作留给数学界,部分研究者的长期研究计划和经费申请已受到冲击。

10月9日星期五

Hacker News 首页

数学界对 OpenAI 的 100+ 项解题结果汇集 100+ 条反应

Proofs and Prompts 汇集数学研究者对 OpenAI 10 月 6 日公布大量数学问题解答的反应,意见从兴奋到悲伤与愤怒。部分研究者期待从所声称的解答中学习新的数学联系,多人批评论文难读、归属不透明,以及核查和解释工作由学界承担。Terence Tao 等参与者强调人类理解与共同体协作,学生和博士后的研究计划、职业激励及资源获取也是讨论焦点。

推荐理由:数学研究者围绕 OpenAI 批量公布解题结果表达分歧,讨论集中于理解与核查的劳动成本及青年研究者的职业压力。

Hacker News 首页

Álvaro Lozano-Robledo:面对 AI 进展,该如何建议数学学生?

Álvaro Lozano-Robledo 在客座文章中主张,热爱数学的学生不应仅因 LLM 的进展而放弃攻读数学博士。其研究项目在几个月内增至原来的 3 倍,他将 LLM 视为需要数学家指导与直觉参与的研究合作者,并强调数学教育、理解和交流的持续价值。他明确承认无法确定 AI 是否会超越所有人类的数学研究能力,提出以现有数学思想的“凸包”作为理解模型能力边界的假说。

推荐理由:数学教授结合自身研究与教学经历回应学生的职业焦虑,将攻读数学博士的决策依据放在学术兴趣与专业成长上。

10月8日星期四

Latent Space

Claude Haiku 5.5 发布,与 GPT-6 Luna 同价且多项基准领先

Anthropic 发布 Claude Haiku 5.5,定价与 GPT-6 Luna 相同,已在 Claude Platform 和 Claude Code 上线,支持 1M-token 上下文、推理强度设置和自适应思考。

推荐理由:Haiku 5.5 将定价对齐 Luna,满强度推理时约 3x 的输出 token 用量与长提示词阶梯价格会抵消部分单价优势。

AI HOT · 模型

Anthropic 发布 Claude Haiku 5.5,Artificial Analysis 评测得分 43

Anthropic 发布 Claude Haiku 5.5,在 Artificial Analysis Intelligence Index 上得分 43,比一年前的上一代 Haiku 提高 26 点。

推荐理由:Claude Haiku 5.5 采用按提示词长度分层的定价,超过 100k tokens 后输入与输出单价均上涨 5x。

Simon Willison

Anthropic 发布 Claude Haiku 5.5,短上下文定价与 GPT-6 Luna 持平

Anthropic 发布快速、低成本模型 Claude Haiku 5.5,在不超过 100,000 tokens 时,每百万输入和输出 tokens 价格为 $0.10/$0.50,超过后升至 $0.50/$2.50。

推荐理由:Claude Haiku 5.5 在短上下文中与 GPT-6 Luna 同价,超过 100,000 tokens 后的涨价和分词差异会改变成本比较。

Hacker News 首页

Scott Aaronson谈AI数学突破对人类研究与成果传播的冲击

Scott Aaronson以《The Mathocalypse》讨论AI数学成果集中出现后,人类学者理解解答、解释成果和维系研究共同体的挑战。文中称OpenAI昨天公布372项结果,包括唯一博弈猜想的解答,其中部分附有Lean证书,但人类尚未理解其中几乎任何一份解答。

推荐理由:Scott Aaronson比较两家公司传播AI数学成果的方式,公开原始解答与委托学者整理各自涉及解释劳动和学术机会分配。

Hacker News 首页

Scott Aaronson谈AI“数学末日”与数学家的新角色

Scott Aaronson以“数学末日”描述AI攻克数学难题的冲击,并比较OpenAI直接公开成果与Anthropic邀请数学家整理后发表的路径。文中称OpenAI昨天公布372项成果,包括Unique Games Conjecture的解答,部分附有Lean证书,但人类尚未理解其中几乎所有解答。文章关注研究者如何消化这些成果,以及AI能够给出答案后,数学共同体如何继续维系探索和理解的价值。

推荐理由:Scott Aaronson比较两家公司发布AI数学成果的方式,公开原稿让研究者竞相解读,定向合作则由公司选择人类讲解者。

The Decoder

ChatGPT 搭载 GPT-6,以图表、按钮和迷你应用提供交互式回答

OpenAI 正在向 ChatGPT 用户推出 GPT-6,通过 Intelligent UI 将回答从主要使用文本转为包含图形、按钮、图表和表单的交互界面。界面随问题自动调整,也能在聊天内构建储蓄计算器或游戏;OpenAI 称,GPT-6 边思考边回答可将等待时间缩短 44%,内部困难网页搜索测试成绩高于 GPT-5.6。

推荐理由:OpenAI 为 ChatGPT 引入随问题调整的交互界面,让比较、图表探索和小工具使用直接在对话中完成。

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。

Hacker News 首页

Anthropic 发布 Claude Haiku 5.5,平均运行成本较 Haiku 4.5 降低约 75%

Anthropic 发布 Claude Haiku 5.5,面向高频、成本敏感任务,称平均运行成本较 Haiku 4.5 降低约 75%,现已在所有平台开放。

推荐理由:Anthropic 将 Haiku 5.5 定位于摘要、压缩和子智能体任务,复杂智能体编码仍由 Sonnet 5.5 和 Opus 5.5 承担更合适。

10月7日星期三

Latent Space

OpenAI 公布 722 篇数学论文,称解决前 500 个开放问题中的 90 个

OpenAI 公布内部未发布模型生成的 722 篇数学论文,材料称其解决了前 500 个开放数学问题中的 90 个,包括 Quasi-Riemann Hypothesis 相关结果。

推荐理由:OpenAI 将内部模型的数学论文、论证材料和部分推理摘要公开,为外部数学研究者逐项审查这些结果提供了依据。

Hacker News 首页

OpenAI 数学研究仓库收录模型生成的 722 篇手稿及配套验证材料

OpenAI 的数学研究仓库收录了内部未发布模型生成的 722 篇手稿,按相关结果分为 372 个研究系列。评估期间模型接受了约 4,000 个问题,绝大多数结果采用同一流程生成,每项结果平均使用该模型 3 小时的 ChatGPT Pro 思考计算资源。许多手稿已有 Lean 形式化验证,但验证进度各异,尚未形式化的结果可能存在问题;仓库将持续补充形式化材料,并保留修订历史。

推荐理由:OpenAI 公开模型生成的数学手稿及配套验证材料,并交代结果所处的不同验证阶段,为理解这些研究产出的可靠性提供背景。

10月6日星期二

The Decoder

Reflection 的 Beam 跻身中国以外性能领先的开放权重模型

Reflection 宣布文本模型 Beam,面向编码、逻辑推理和 AI 智能体任务,重点追求较低算力下的性能。公司称其在高难度推理任务上匹敌 GLM 5.2,所需算力少三到四倍,并允许用户调节思考程度以权衡算力成本与输出质量。Beam 仍在进行最终安全测试,目前仅向部分用户提供早期版本,技术报告、开发者文档及采用 Apache 2.0 许可的模型权重计划于本月晚些时候发布。

推荐理由:Reflection 称 Beam 在高难度推理任务上达到 GLM 5.2 的表现,所用算力减少至其三分之一到四分之一。

Hacker News 首页

Anthropic 与 OpenAI 订阅评测:日常主力模型的 API 等值价值约高 5x

SemiAnalysis 测算显示,在智能体工作负载下,Anthropic 的 Opus 5.5 订阅额度提供的 API 等值价值约为 OpenAI GPT 6.1 Sol 的 5x。

推荐理由:SemiAnalysis 分离不同 token 类型测量额度消耗,将订阅价值比较细化到套餐、模型和工作负载组合。

10月3日星期六

AI HOT · 模型

Anthropic 发布 Claude Opus 5.5,ECI 得分 167 排名第一

Anthropic 于 2026 年 9 月 22 日发布闭源权重模型 Claude Opus 5.5,ECI 得分 167,在 253 个跟踪模型中排名第 1。该模型在软件工程基准 MirrorCode 上取得 77%,在多模态 Furniture Assembly Benchmark 上取得 83%。输入价格为 $4 / 1M tokens,输出价格为 $20 / 1M tokens。

推荐理由:Claude Opus 5.5 的软件工程成绩高于 GPT-6 Astra,数学高难度测试成绩则低于后者。

Hacker News 首页

Aleph Alpha 发布开放权重模型 Kolibri,支持英德双语与 1M tokens 上下文

Aleph Alpha 发布英德双语 MoE 模型 Kolibri,总参数为 78B、激活参数约 3B,支持最高 1M tokens 上下文。完整权重在 Hugging Face 按 Apache 2.0 许可开放,部署需要提供 Kolibri vLLM 插件的 aleph-alpha-inference 包。

推荐理由:Aleph Alpha 将行业失败案例转成持续运行的评测,并用合成训练环境改进模型,无需使用客户数据训练。

10月2日星期五

AI HOT · 模型

NVIDIA 介绍 Blackwell GPU 如何加速 OpenAI GPT-6 Astra Ultrafast

GPT-6 Astra Ultrafast 运行于 NVIDIA Blackwell GPU,token 生成速度最高可达 Astra Standard 模式的 8x。

推荐理由:OpenAI 利用自身模型优化 NVIDIA GPU 推理软件,加快响应可缩短编码智能体反复编辑、测试和调试的等待时间。

10月1日星期四

Latent Space

Google DeepMind 发布 Gemini 4 Argon,支持 1M 输出 token

Google DeepMind 发布 Gemini 4 Argon,面向编码、企业知识工作和网络防御,目前仅通过 Fairwind Program 向政府用户和可信网络防御者开放,开发者与企业访问时间未定。

推荐理由:Google DeepMind 发布 Gemini 4 Argon,在 19 项基准中拿下 13 项第一,但仅通过 Fairwind Program 向政府用户和可信网络防御者开放,开发者与企业访问时间未定。

The Decoder

Google 发布 Gemini 4 Argon,基准追平 OpenAI 与 Anthropic 但未明显领先

Google 发布新前沿模型 Gemini 4 Argon,在多项基准上追平 OpenAI 的 GPT-6 Astra 和 Anthropic 的 Claude Fable 5.1,但未取得明显领先。

推荐理由:Google 发布 Gemini 4 Argon,第三方基准显示其追平 GPT-6 Astra 与 Claude Fable 5.1,但每任务消耗的输出 token 约为对手两倍。

AI HOT · 模型

Artificial Analysis 评测 Gemini 4 Argon:Google 重回智能前三梯队

Artificial Analysis 评测显示,Google DeepMind 的 Gemini 4 Argon 在高推理模式下于 Artificial Analysis Intelligence Index 得分 53,与 GPT-6 Astra(max,53)持平,领先 GPT-6.1 Sol(max,52)1 分。

推荐理由:Artificial Analysis 的评测显示,Gemini 4 Argon 高推理模式智能指数得分 53,与 GPT-6 Astra 持平,且幻觉率在同类模型中最低。

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30日星期三

AI HOT · 模型

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。

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。