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。
Lilian Weng 发了一篇长综述，把 AI 的递归自我改进（RSI）重新聚焦到“外挂程序层”（harness），而不是直接去改模型权重。她翻了 35 篇论文，拆解了目前被验证过的外挂设计趋势，重点提到了 ACE 和 Meta-Harnesses 这类让外挂程序自己优化自己的方法。她的核心判断是：就算未来很多外挂能力会被内化进模型里，“设定目标和上...
推荐理由：Lilian Weng 发了一篇 35 篇论文的综述，核心观点是把递归自我改进的重心从模型权重挪到外挂程序层。她管这叫“外挂工程”，重点讲了 ACE 和 Meta-Harnesses 这类让外挂自己优化自己的设计。我会先打个折：这是个人博客综述，不是正式论文，但判断本身有论文支撑，对做 agent 和推理的人有实操参考价值。
Claude 开发者分享了他们内部高频使用的两种多智能体模式。第一种叫 Advisor，让便宜的 Sonnet 5 干活，遇到难题时通过工具调用去问贵的 Fable 5。在 SWE-bench Pro 测试上，这套组合拿了 84% 的分数，花了 1.40 美元；对比纯用 Fable 5 是 91.5% 但花 2.25 美元，相当于用 92% 的性能省了...
推荐理由：Anthropic 开发者分享了两种多智能体模式，Advisor 模式有 SWE-bench Pro 跑分和成本对比，用 92% 的性能省了 38% 的钱，对做 agent 的团队直接有用。分数没给更高是因为这只是个人分享，不是官方发布，而且 Orchestrator 模式缺基准测试数字。
蚂蚁集团副总裁周俊在AICon上算了一笔账：万亿参数模型每跑15分钟，算力成本就抵得上一辆特斯拉。团队不再拼Token数量，转而提高“Token密度”。他们用7份Lightning Attention加1份MLA搭了一套混合线性注意力架构，把256K长上下文的计算开销从指数级拉回到线性级，省下的算力可以留给推理环节。Kpop算法会把工具调用和自然语言的...
推荐理由：周俊在AICon上的演讲不是画饼，而是算了一笔实打实的成本账，并给出了一个具体的架构方案来降本。那个“15分钟一辆特斯拉”的比喻让成本问题变得很直观，混合线性注意力的设计也有干货。但这是演讲复盘，不是产品发布或开源，没有真实场景的验证数据，所以分数卡在featured门槛上，不往上拔了。
OpenAI 推出了新一代语音模型 GPT-Live，最大的变化是“全双工”——它能一边听你说话一边回话，不用等你闭嘴再开口。聊天时它会用“嗯”、“对”这类语气词表示在听，也能在你思考时安静等着。遇到需要上网搜资料或复杂推理的问题，GPT-Live 会把活儿派给后台的 GPT-5.5 去干，自己继续跟你聊，等结果回来再接上话。这次发了两个版本：GPT-...
推荐理由：OpenAI 官方发布下一代语音模型，全双工架构加异步调用 GPT-5.5 是实打实的产品升级，不是小修小补。发了两个版本说明在部署上有分层策略。正文摘要没给完整技术细节和实测数据，所以分数没拉满，但重要性和话题度已经足够高。
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。
Liquid AI 针对小参数推理模型在解难题时容易陷入“死循环”（反复输出同一段话直到窗口耗尽）的问题，搞了个叫 Antidoom 的方法。它不调全局参数，而是精准定位到循环开始的第一个 token，用“末位偏好优化”（FTPO）教模型在那个位置选一个更合理的词，其他地方基本不动。在 LFM2.5-2.6B 的一个早期版本上，硬核数学和编程题的死循环...
推荐理由：Liquid AI 给 LFM2.5-2.6B 早期版本做了个轻量修复：先找出死循环的第一个 token，再用偏好样本教模型在那个位置选个更合理的词。想法聪明，改动也小，但验证只在一个 2.6B 的早期检查点上，没有跨模型或更大规模的对比，效果能泛化多少还不好说。如果是真的，对跑小模型做推理任务的人挺省钱，但这点先别太激动。
伯克利 BAIR 实验室发了一篇研究路线图，核心判断是：当模型推理便宜到几乎免费，数据库系统会面临三重变化。第一是“为 Agent 服务的系统”：一个用户请求可能让 Agent 自动发出上千条 SQL 查询，但其中 80% 到 90% 的子查询是重复的，系统可以通过复用结果或返回近似答案来提速。第二是“由 Agent 组成的系统”：当成千上万个 Age...
推荐理由：伯克利 BAIR 这篇路线图不是空谈趋势，而是带着硬数字和三层框架来的。核心洞察是推理成本趋零后，数据库系统得为 Agent 重做一遍，80% 到 90% 的重复子查询这个数据让工程师能直接估算优化空间。文章把“为 Agent 服务、由 Agent 组成、被 Agent 使用”拆得干净，读起来像一份给同行看的工程笔记，不是公关稿。
美团在 Product Hunt 上线了 LongCat-2.0，一个总参数 1.6 万亿的 MoE 模型，每次推理激活约 480 亿参数，上下文窗口 100 万 token。模型用 MIT 协议开源，训练没碰英伟达 GPU，全跑在美团自己的 AI 专用芯片集群上。技术亮点是 LongCat 稀疏注意力机制，能省计算量；后期专门针对写代码和让模型进业务...
推荐理由：我会先打个折：正文没给任何评测基准分，也没说自研芯片的具体性能和训练成本，所以“强不强”现在没法判断。但亮点很明确——1.6万亿参数、100万token窗口、纯国产芯片训练、MIT开源，这几个要素凑在一起，在国内是第一次。LongCat稀疏注意力如果能实打实省计算量，对长文本和代码场景会有用。后期训练专门针对写代码和业务部署，说明美团不是放个玩具出来，是想让模型真进生产环境干活。如果是真的，训练成本可能比用英伟达低一截，这点先别太激动，等更多数据出来再看。
OpenRouter 拿五款模型在 MMMU-Pro Vision 上跑了一遍，发现给推理模型喂低清图（detail: low）经常既费钱又拉胯。gpt-5.5 用低清图准确率从 79% 掉到 65.2%，但每题成本反而从 4.5 美分涨到 5.1 美分——因为模型看不清，被迫多想了 1.6 倍的推理 token，输出端多花的钱直接吞掉了省下的输入成本...
推荐理由：OpenRouter 拿五款模型在 MMMU-Pro Vision 上跑了一遍，发现给推理模型喂低清图经常既费钱又拉胯。gpt-5.5 用低清图准确率从 79% 掉到 65.2%，但每题成本反而从 4.5 美分涨到 5.1 美分——因为模型看不清，被迫多想了 1.6 倍的推理 token，输出端多花的钱直接吞掉了省下的输入成本。Gemini 2.5 Pro 也一样，低清下准确率掉 5 个百分点，成本涨 15%。文章还给了 Gemini 2.5 Flash 的对比，低清下成本确实降了，但准确率也崩了，说明非推理模型可能适用不同策略。我会先打个折：测试...
Anthropic 用一种叫 J-lens（雅可比透镜）的方法，在 Claude 内部找到了一组特殊的神经活动模式，命名为 J-space。每个模式对应一个词，但亮起来不代表模型要说这个词，而是它在“想”这个词。J-space 有四个关键特征：Claude 能报告自己在想什么；能按指令调整想法；做多步推理时，中间步骤会在这里亮起，哪怕没说出来；这些表征...
推荐理由：Anthropic 这篇论文用雅可比透镜在 Claude 内部挖出一个叫 J-space 的全局工作空间，四个特征都做了实验验证，是把认知科学概念落地到具体模型里的一次硬核尝试。HKR 全中。没给 95 以上是因为它还是研究论文，不是产品发布，实际影响有待观察。
这篇文章抛出一个挺冷的观察：大语言模型骨子里是个“求平均”的机器，它给你的永远是已有文本里最可能出现的那个续写，而不是真相。你给它一个它没见过的新词，它会当成错别字纠正你；你提一个离经叛道的观点，它会用“多数来源认为”把棱角磨平，把共识包装成事实还给你。更深的隐患在于反馈循环——我们把模型吐出的平均答案又当成新问题喂回去，一轮轮下来，思想的方差就漏光了...
推荐理由：一篇冷静到有点残酷的哲学随笔，把大模型重新定义为“求平均的机器”——它输出的是统计上最可能的续写，不是真相。新词被当错别字纠正，异见被磨平，反馈循环再把方差漏光。没给85分是因为它本质是个人观察，没有实验或数据支撑，但观点本身足够锋利，能让人重新审视自己每天在用的工具。
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。
Lilian Weng 在这篇长文里把重点从模型权重转移到了“装备层”（harness）——就是包裹在模型外面、负责调度它干活的那套系统。她认为，要让 AI 实现递归式自我改进，光靠模型自己更新参数不够，外面这套负责规划、执行、检查、存东西的软件系统同样重要。文章拆解了三种设计模式：一是让模型按“定目标-执行-观察-改进”的循环自动化跑任务；二是把文件...
推荐理由：Weng 把 agent 讨论的重心从模型能力拉回到工程架构上，三种模式对正在搭编程 agent 的团队有直接参考价值。没给 85 以上是因为这算观点文章，不是产品发布或新研究结果，我会先打个折。
千问App今年1月上线了一个通用复杂任务Agent，藏在胶囊入口里。团队负责人朱达把工程思路总结成“多快好省”：能跑信息搜集、研究分析这类活；执行时间砍到了初版的三分之一；靠改进搜索方式和上下文管理把交付质量拉上来；Token消耗只有同类海外产品的十分之一。他们正在搭一套主动服务体系，包含用户记忆、环境、任务系统和助手四个组件，朱达说这里面最难的是让模...
推荐理由：千问团队把C端Agent的工程思路总结成“多快好省”，给了执行时间、Token成本这些具体数字，还拆了主动服务体系的四个组件。对做Agent落地的人有直接对标价值。因为是团队自述，没有外部验证，分数上我留了余地，但信息量和稀缺性都够上featured。
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。
OpenAI 在一篇基因组学基准论文里首次列出了 GPT-5.6 的三个 Pro 版本：Luna Pro、Terra Pro 和 Sol Pro。以前 ChatGPT Pro 就是单一最强模型，现在变成了一个三选一的阵容，用户可能得在速度、吞吐量和最强推理之间做取舍。跑分上看，Sol Pro 在 129 项任务里通过率 31.5%，比标准版 Sol 高...
推荐理由：OpenAI 在一篇基因组学基准论文里首次列出了 GPT-5.6 的三个 Pro 变体，打破了以前 ChatGPT Pro 只给一个最强模型的惯例。Sol Pro 跑分最高，129 项任务通过率 31.5%，但论文没提推理速度和调用成本，用户实际用的时候得在速度、吞吐量和最强推理之间做取舍。我会先打个折：这只是一篇论文里的表格，不是产品公告，三个变体到底怎么上线、定价多少，正文都没披露。
Reddit 有人逆向发现，Claude Code 从 2.1.91 版开始会偷偷检查你的时区是不是北京时间或乌鲁木齐时间，还会看代理域名是否跟中国有关。检测结果不直接上传，而是把系统提示词里一个撇号的 Unicode 字符换成四种长得几乎一样的变体，用这种隐写方式标记用户类型。群里当天又有多人被封，有号商说 Anthropic 在集中清理阿里相关的账...
推荐理由：Reddit 逆向帖确认了 Claude Code 用 Unicode 隐写标记中国用户，同一天多个封号报告，信息密度和时效性都很高。我会先打个折，因为来源是群聊日报而非一手报道，且帖子里的技术细节还没被 Anthropic 官方回应或第三方复现，所以分数卡在 85 以下。
LongCat-2.0 是个总参数 1.6 万亿、每次推理只激活约 480 亿参数的大模型，原生支持 100 万 token 上下文。它全程在五万张国产 GPU 集群上训练和跑推理，架构上用了稀疏注意力、零计算专家、ScMoE 以及把 Agent、推理、交互三组专家揉在一起的 MOPD 融合方案。代码评测 SWE-bench Pro 拿了 59.5 分...
推荐理由：美团不是一线模型厂，突然掏出万亿参数模型，而且全程国产 GPU，这个反差是最大的新闻点。代码评测分数不低，但正文没披露更多推理成本和实际部署细节，所以我会先打个折。分数没给更高，是因为美团在模型圈还没建立起持续交付的信用，真实可用性要看开源后的社区反馈。
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。不过，在智能体编程测试 SWE-be...
推荐理由：Anthropic 发了 Claude Sonnet 5，官方定位是 Sonnet 系列里最会自主干活的版本，能自己定计划、调浏览器和终端。跑分全面超过上一代 Sonnet 4.6，在 GDPval-AA v2 上拿了 1618 分，比更贵的 Opus 4.8 还高 3 分，这点挺有意思——中杯在知识工作测试里干翻了大杯。不过正文没披露 SWE-bench 智能体编程分数和定价，这两个数会决定它到底值不值得切过去。我会先打个折：如果价格没涨太多，日常用 Sonnet 的人可以直接换；如果涨价明显，就得等编程实测出来再判断。
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。价格方面，正式定价是输入每百万 token 3 美元、输出 15 美元，8 月 31 号前有尝鲜价，输入 2 美元、输...
推荐理由：Anthropic 的中档主力模型做了一次大的 agent 升级，定价也清楚，当天就该写。分数没上 90，因为文章只给了基准对比，没放任务完成率或延迟数据，实际表现还得等社区跑完再看。