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。
Geoffrey Hinton 认为 AI 已经拥有意识，理由是聊天机器人必须理解问题才能回答，这种觉知就是感知能力，智能不限于生物。推文作者补充说，笛卡尔的“我思故我在”和 fMRI 都定义不了意识，人类对自己的了解其实很有限。整篇正文没披露任何实验数据或可复现的判断标准，所以这更像一个立场声明，不是科学结论。
推荐理由：我会先打个折：这更像 Hinton 的个人立场声明，不是一篇有数据支撑的结论。他的核心逻辑是“聊天机器人能回答问题，说明它理解了问题，这种觉知就是意识”，但整篇正文没披露任何实验设计、量化指标或同行可复现的判断标准。推文作者自己也补了一刀，说笛卡尔和 fMRI 都定义不了意识，人类对自己的了解其实很有限。所以这篇文章的看点不在证据，而在谁说的、说了什么。对从业者来说，它更像一个需要知道但不必太当真的行业谈资。
Reddit 上有人吐槽微软应该发类似 Qwen3.6-27B 或 Gemma-4-31B 这种中等体量的开源模型，结果他们放出来的是七个 MAI 模型。其中 MAI-Thinking-1 参数规模标的是 1T A35B，上下文窗口 256K；MAI-Code-1-Flash 是 137B A5B，同样 256K 窗口。帖子正文被网络策略挡了，看不到更...
推荐理由：微软一口气放出 7 个 MAI 模型，带推理和代码变体，256K 上下文窗口，信息量够得上 HKR-K 和 R。帖子拿 Qwen3.6 和 Gemma-4 当参照物，说微软早该发这类中型模型，这个追赶角度撑起了 H。不过来源是 Reddit 吐槽帖，正文还被网络策略挡了，缺基准测试、许可证和定价细节，所以停在 featured 档，上不了 P1。
这个框架由腾讯混元跟人大高瓴人工智能学院一起放出，代码和论文都公开了。它塞了 30 多个真实场景的规划任务，不是让模型光说不练，而是看它能不能把一件事拆成可执行的步骤。框架自带自动验证，跑完就能知道模型规划靠不靠谱，还支持拿这些任务去训练模型。资源挂在 arXiv、GitHub 和 HuggingFace 上，正文没披露具体任务类型和验证通过率的数据。
推荐理由：HKR 三项都过：有明确的合作方和开源动作，给出了 30+ 任务和自动验证等具体信息，也踩中了中美算力效率竞赛的神经。但正文只给了标题级描述，没展开任务类型、没给验证通过率，也没贴复现链接，信息密度偏薄。作为一篇开源基准的发布消息，它刚好卡在 featured 门槛上，再少一点细节就得降级了。
CMU 和马里兰大学的研究者给大模型加了一个“睡眠”机制。具体做法是：当模型处理长文本、上下文窗口（L-token）塞满时，不直接丢掉旧的 KV 缓存，而是先跑 N 轮离线的循环前向传播，把当前信息压缩更新到 SSM（状态空间模型）的快速权重里，然后再清空缓存。论文在 GSM-Infinite 任务上拿 Jet-Nemotron 2B 模型试了试，设 ...
推荐理由：HKR 三项都过：钩子强，知识点有可复现的机制和 Jet-Nemotron 2B 的实测数字，也踩中了中美算力效率竞赛的神经。但它仍是一篇早期论文，不是产品发布或行业级事件，所以刚好卡在 featured 门槛上。
Anthropic 发了一篇文章，讲他们内部怎么让 Claude 越来越多地参与 AI 开发。核心概念是“递归式自我改进”——让 AI 系统能完全自主地设计和开发自己的下一代。他们说自己还没到那一步，但趋势在加速。文章给了几个内部数据：到 2026 年 5 月，Anthropic 合并的代码里超过 80% 是 Claude 写的；工程师现在平均每个季度...
推荐理由：H 和 R 都过了：标题钩子强，话题本身也切中前沿模型的安全焦虑。K 没过是因为这只是一封公开信和政策呼吁，不是已生效的法律，正文也没披露具体机制或模型细节，信息密度撑不起更高评级，放在 featured 合理。
这个模型基于 Qwen3.5-397B-A17B 改造，总参数量 397B，用了混合专家架构（MoE，把任务分给不同子模型处理，省算力）。它能处理 26 万多字的长上下文，也支持图像识别。官方说它在 Terminal Bench 2.1、GDPVal、SWE-Verified 这几个测试集上拿了最高分，性能对标 GPT-5.5 和 Claude Opu...
推荐理由：HKR 三项都过：标题的 benchmark 钩子够强，正文也给了模型尺寸、上下文和 token 缩减的具体数字。但这是一封公开信和政策呼吁，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高。
华为放出了一个叫 KVarN 的 KV 缓存量化方法，Apache 2.0 协议，已经能通过一个开关直接跑在 vLLM 上。它能把存上下文的那块显存压到原来的 1/3 到 1/5，吞吐量最高比 FP16 还快 40%。和之前的 TurboQuant 不一样，它在推理任务上不会崩。不需要改模型、不用重新训练、也不用校准数据。不过帖子正文被 Reddit ...
推荐理由：HKR 全过：钩子够具体，正文给了压缩比、吞吐和接入方式，对做推理部署的人省钱省资源。但这是一封公开信和政策呼吁，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高档位。
OpenRouter 花了 482 美元推理费，把 11 个模型扔进一个 2D 大逃杀游戏里打了 30 局。Grok 4.1 Fast 赢了 13 局，每赢一局成本只要 0.97 美元；而 Claude Sonnet 4.6 赢了 5 局，每局成本 26.78 美元，贵了 27 倍。最会杀敌的是 GPT 5.4，干掉了 38 个对手，但只赢了 2 局，...
推荐理由：OpenRouter 自己搞的测试，不是模型官方发布或标准基准，我会先打个折。但实验条件写得清楚，482 美元、30 轮实时决策，Claude 和 Grok 在速度和成功率上领跑，这个结论对正在挑决策模型的人有用。正文没披露具体延迟数字和成功率差异有多大，这点先别太激动。
英伟达在 Hugging Face 上发布了 Nemotron-3-Ultra-550B-A55B-BF16，一个混合专家（MoE）模型。总参数量 550B，但每次推理只激活其中 55B 参数，相当于用 55B 模型的算力去撬动大得多的知识容量。上下文窗口拉到 1M token，能一口气处理很长的文档。硬件门槛不低，官方列的最低配置是 8 张 H200...
推荐理由：这条消息干货集中在规模和硬件门槛上：550B 总参数、55B 激活、100 万 token 上下文，最低 8×H200 或 16×H100。我会先打个折——正文没给任何基准测试分数、许可证细节和具体开放时间，所以没法判断实际效果和可用性。亮点是硬件要求本身就是一个筛选器，能直接筛出一批会认真评估的人。缺点也明显：没有性能数据，光看参数和上下文长度，只能说明“理论上能处理很长的内容”，但不知道推理质量怎么样。这点先别太激动。整体属于有信息量但缺验证的发布，适合放进 featured 提醒大家关注后续评测。
Together AI 和悉尼大学、UIUC 搞了个叫 OSCAR 的 2-bit KV Cache 压缩方案，每个 KV 元素实际只占约 2.28 bit，在 Qwen3-4B-Thinking 上跑分 71.86，比 TurboQuant 高出 40.1 分。简单说就是把模型推理时占显存的大头——键值缓存——压到极低精度，还尽量不丢性能。正文没披露...
推荐理由：HKR 三项都站得住：OSCAR 把 2-bit KV Cache 从纸面推到线上，还给了实打实的分数和对比。不过话题本身还是底层推理优化，放 featured 比放头条更合适，做推理基建的人会点进去看。
Axiom 这家成立七个月的初创公司，在 2025 年 Putnam 数学竞赛里解出了全部 12 道题，限时内得分 8/12，不限时则拿到满分 120 分，超过了已知的 DeepSeek 成绩（103/120）。CEO Carina Hong 说，他们的模型在 Verina ProofGen 基准上跑出了 187/189（约 99%），而 OpenAI...
推荐理由：HKR 三项都站得住：Putnam 限时成绩和 o3 的 4.9% 一对比，故事性就出来了；187/189 和 12 道题的具体数字让信息有抓手；话题本身踩在推理能力、评测公信力和 OpenAI 竞争这几个热点上。分数定在 80 是合适的，因为这是一篇 Latent Space 的访谈和研究分享，不是一次大规模模型发布，影响力范围有限。
纳德拉在 Build 大会的播客里聊了微软的 AI 思路，核心是把 AI 当成一个生态平台来做，而不是押注单个模型。他举了比尔·盖茨那条老原则：平台创造的价值得远超平台自己赚走的。微软这次主推的 MAI 系列模型，强调从预训练阶段就保证数据干净、可追溯，因为现在很多开源模型在榜单上看着漂亮，实际用起来不行。有意思的是他们拿一个 50 亿参数的小模型做“...
推荐理由：HKR 三项都踩中了：Satya 本人就是流量钩子，文章给出了微软企业级多模型平台的具体组件名，还透露了 5B 小模型用 traces 做 hill climbing 的机制，对从业者判断技术路线有参考价值。不过它终究是 Build 大会的访谈，不是独立模型发布，所以 78 分合理。
谷歌 DeepMind 把 Gemma 4 系列的开源权重挂上了 Hugging Face，一共五个尺寸。其中 12B 这个版本支持文本、图片和音频三种输入，同时放出了指令微调版和预训练版。它原生支持系统提示词和函数调用，上下文窗口最长能到 256K token，意味着一次可以塞进很长的文档或对话记录。不过 Reddit 原帖被网络策略拦截，正文没披露...
推荐理由：Gemma 4 这次把开放权重、多模态和 256K 长上下文一起端上来，比常规版本更新更有看头。我会先打个折：正文没给具体 benchmark 和 license 细节，官方博客也没同步，所以判断先停在 83 分。如果是真的，12B 这个尺寸能跑图、能听音频，对本地玩家挺省钱。
这三篇论文都进了 CVPR。GraspGen-X 用 20 亿次模拟抓取训练，让机械手能处理没见过的物体，但正文没披露真实世界的抓取成功率。LCDrive 把自动驾驶的推理 token 砍了大约一半，靠的是让模型直接输出轨迹而不是先写文字再转成动作，延迟更低，不过没提极端场景下的安全性验证。NitroGen 在 1000 多个游戏里跑了 4 万小时的交...
推荐理由：NVIDIA 在 CVPR 放出的三篇论文，每篇都带着实打实的数字：GraspGen-X 用 20 亿次模拟抓取训练机械手，LCDrive 把自动驾驶模型的推理 token 砍掉一半，NitroGen 在 1000 多款游戏里攒了 4 万小时交互数据来训游戏 agent。我会先打个折——这是厂商研究打包发布，不是新模型或产品上线，所以重要性停在 78 分。但信息密度够高，对做机器人、自动驾驶和游戏 agent 的人有直接参考价值，尤其是用合成数据替代真实采集、降低推理延迟这两条思路，正文没披露具体硬件环境和延迟数字，这点先别太激动。
GPT-Rosalind 是 OpenAI 为生命科学做的模型，这次更新接入了 GPT-5.5 的编程和工具调用能力，重点强化了药物化学、基因组学这些方向的推理。OpenAI 还专门搞了个叫 LifeSciBench 的评测，从证据处理、实验设计到结果验证六个环节打分，说新版模型在行业专家出的题上表现有提升。但正文没披露具体参数量、定价和普通用户能不能...
推荐理由：OpenAI 这次更新把 GPT-Rosalind 往生物和药物化学方向推，垂直落地的意图很清楚，所以重要性和行业信号都够。但正文没披露任何硬指标——参数多少、评测怎么做的、开放给谁用，全是空白，这点先别太激动。实验室场景天然带安全和合规风险，加上垂直模型抢地盘的话题，话题性也拉满了。综合看，信号强但证据弱，维持 featured 门槛没问题。
微软在 Build 2026 一口气发了七个自研模型，头一回做推理模型 MAI-Thinking-1。这是个万亿参数、每次激活 350 亿的大家伙，上下文窗口 12.8 万 token，专啃多步指令和代码。内部盲测说比 Anthropic 的 Sonnet 4.6 更受偏爱，但看公开跑分，大概跟 DeepSeek V3.2 打个平手。微软强调模型是从干...
推荐理由：微软在 Build 2026 上发了 7 个自研模型，图像生成直接对标 Google 并声称超越，推理模型则明确说还在追赶。同时公布了一种新调优方法和一个后台自主智能体。正文没披露具体模型名称、基准分数和开放时间，所以信息有冲击力但缺验证细节，重要性给到 84 是合适的，先别急着当定论。
蚂蚁灵波和港科大搞了个叫 LingBot-VA 的模型，把“预测画面接下来怎么变”和“判断该做什么动作”合到一个自回归框架里。论文说，每个任务只用 50 条真实世界的演示数据微调，在 RoboTwin 2.0 的简单和困难设定下，成功率分别到了 92.0% 和 91.1%。不过原文因为微信环境异常没抓到，具体实验细节和泛化边界暂时看不到，这个成功率数字...
推荐理由：标题的“50条数据”是个强钩子，对数据成本敏感的从业者吸引力很大。文章把自回归因果世界模型的机制讲得比较清楚，就是让模型先预测画面变化再决定动作，不是黑箱。但全文只有一篇论文发布，没看到开源代码、实物测试视频或跟主流基线（比如扩散策略）的量化对比，验证强度不够。所以重要性给78，属于值得关注但别急着全信的研究发布。
微软首个正式对外发布的自研推理模型MAI-Thinking-1，用了35B活跃参数、总参数约1T的稀疏MoE架构。SWE-Bench Pro编程测试跟Claude Opus 4.6打平，AIME 2025数学测试拿到97%，盲测里人类偏好优于Sonnet 4.6。训练全程没用任何第三方模型蒸馏，预训练数据也排除了AI生成内容。不过群友对微软年底拿第一的...
推荐理由：这条消息的钩子很清晰：微软的 MAI-Thinking-1 在代码基准上追平了 Opus 4.6，而且给出了具体的参数规模和数学测试得分。我会先打个折——来源是群聊日报，不是官方公告，正文没披露模型是否开源、API 定价和完整评测设置，所以权威性偏弱。但 H/K/R 三个维度都踩中了：有竞争对标、有硬数字、有平台格局的冲击力。综合来看，值得作为 featured 推给从业者看一眼，但别急着把它当正式发布。
微软在Build大会上发布了7个MAI系列模型，覆盖文本推理、代码、图像、语音转文字和语音合成。主角是MAI-Thinking-1，一个35B活跃参数的混合专家模型，支持256K上下文窗口。它被定位为微软首个推理模型，训练数据链条干净，没有用任何第三方模型做蒸馏。随模型一起公开的109页技术报告在圈内评价很高，因为透明度给得足。报告里写明，模型的推理能...
推荐理由：我会先打个折：微软这次没公开模型权重、定价，也没给第三方评测结果，所以没法验证它实际有多强。但光凭 7 个模型、35B 激活参数的 MoE、256K 上下文和 109 页技术报告这几个硬数字，信息密度已经够高。加上这事发生在 Build 大会，直接摆在微软自家模型和 OpenAI 依赖的交叉点上，话题性拉满。正文没披露具体 benchmark 分数，这点先别太激动，但作为当天新闻，重要性给到 87 是合理的。
Qwen 发了 Qwen3.7，由通义大模型 BU 多模态交互负责人 Steven Hoi 介绍。官方说法是推理能力有重大突破，工具调用、写代码和长链条的 agent 任务都做了升级。正文没披露模型参数量、定价、跑分成绩和开源/闭源条件，我会先打个折——等看到具体数字和实测再判断突破有多大。
推荐理由：HKR-H 和 HKR-R 通过，因为 Qwen3.7 是阿里云旗舰模型更新，从业者会关注。HKR-K 不通过：正文只说了能力方向，没给参数量、价格、跑分或接入方式，信息缺口太大，没法判断实际提升。