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。
Meta 放出了一个叫 ATLAS 的数学形式化库，用 Lean 4 语言把 26 本数学教材里的定义和证明搬了进去。整个工程消耗了 1830.57 亿个 token，生成了约 63 万行代码，包含 46203 条声明。其中 42837 个证明已经跑通，证明通过率 92.7%。说白了就是让 AI 把教科书上的数学推理，转成机器能严格检查的代码，以后训练...
推荐理由：HKR三项都站得住：token量、Lean库规模和已验证证明数都是硬数字。没给P1是因为这还是个偏专的研究开源发布，不是通用模型或产品级发布。
文章页面被微信环境验证挡住了，正文内容没拿到。从现有标题和英文摘要看，讲的是 FaceMind 团队把大模型在“马嘉祺”这类低频词上翻车的现象，和两篇论文串了起来：一篇是 EMNLP 2025 的 SLoW，另一篇是刚被 ACL 2026 接收为 Oral 的 Adam's Law。摘要里还提到一个具体数字——用高频词改写的方法，把 DeepSeek-...
推荐理由：这篇文章把马嘉祺让大模型翻车这个意外事件，和低频 token 退化这个技术问题绑在一起讲，切入点很巧。它不光讲现象，还给出了两篇顶会论文的机制解释，以及 DeepSeek-V3 上 8 个百分点的准确率提升，对做模型评测和提示工程的人有直接参考价值。不是大模型发布那种重磅消息，但属于扎实的研究信号，值得放进精选。
作者 Tomasz Tunguz 分享了他用“技能提炼”让本地小模型跑个人工作流的做法。他会让 Opus 4.7、GPT-5.1 或 Gemini 3 Pro 这类顶尖模型，把处理邮件、管投资 pipeline、发博客等任务写成标准化的 SKILL.md 步骤文件，然后由本地运行的 Qwen 35B 或 Gemma 26B 一步步执行。这套系统基于 P...
推荐理由：这个技能提炼模式把大模型当教练、本地模型当执行者，思路清楚，对控制成本有实际意义。我会先打个折，因为文章没披露任何量化结果——不知道本地模型执行时会不会翻车，也不知道到底省了多少钱。这点先别太激动，等有数据再说。
Anthropic 周四放出 Claude Opus 4.8，这次没吹性能天花板，而是强调模型更“诚实”。公司说早期测试者发现它更愿意主动标注自己没把握的地方，而不是硬编一个听起来合理的答案。内部评测给了一个具体数字：Opus 4.8 做出无据论断的概率大约是前代模型的四分之一。不过正文没披露这个评测的具体基准和对比对象，我会先打个折——四倍改善听起来...
推荐理由：我会先打个折：正文只说了“评估中少约 4 倍无依据声明”，但没披露具体用了哪些基准测试、测试规模多大、在什么任务上测的，也没提价格和上下文窗口有没有变。所以这个“4 倍”只能当个方向性信号看，别直接当成绝对指标。不过对从业者来说，模型肯承认自己不确定而不是硬编，本身就是个值得关注的转向，尤其在需要高可靠性的工作流里。整体信息量够上头条，但细节缺口明显，分数给在 85–94 这个区间是合理的。
Mistral 在自家峰会上主要说了三件事。第一，他们和空客、宝马、ASML 合作搞工业 AI，让模型进到设计、制造这类业务流程里干活，但具体怎么落地、效果如何正文没细讲。第二，Vibe 这个能处理长周期任务的 AI 助手迎来升级，具体能力变化也没展开。第三，他们要在巴黎南边的 Les Ulis 建一个 10 兆瓦的推理数据中心，计划 2026 年第三...
推荐理由：我会先打个折：这次没发新模型能力，也没给定价细节，所以重要性卡在 featured 门槛上。但 Mistral 把数据中心规格（10 MW）和时间表（2026 Q3）都摊出来了，还绑定了空客、宝马、ASML 这些实打实的工业客户，比纯概念发布实在。正文没披露推理成本的具体数字，这点先别太激动。整体看，对做工业 AI 和关注欧洲算力布局的人值得扫一眼。
正文因为微信环境异常被屏蔽了，具体技术细节看不到。从标题和已有英文摘要看，这篇论文提出了一种叫 UNSL（统一神经缩放定律）的多变量公式，不再只看模型参数或数据量单一维度，而是同时建模参数量、token 数、训练步数，还考虑了训练瓶颈、过拟合以及超参数调不好的负面影响。在论文自己汇报的实验里，UNSL 在 60.87% 的视觉任务和 88.89% 的语...
推荐理由：这篇不是又一个刷榜的 scaling law，而是把之前各自为政的变量（参数量、token 数、步数、瓶颈、过拟合、超参数反作用）捏到了一起。我会先打个折：视觉任务 60.87% 的最佳外推率说明还有不少场景没覆盖到，但语言任务 88.89% 确实亮眼。正文没披露具体实验用了多少算力、验证集规模多大，这点先别太激动。如果是真的，训练前就能更准地估出该堆参数还是堆数据，省钱。
Robby Stein 在 Google I/O 上谈了搜索正在从列链接转向直接给答案的 AI 原生模式。AI Mode 会把复杂问题拆成多轮搜索去查，背后跑在 Google 自己的 TPU 上，推理成本不低，但正文没给具体数字。搜索量没降反升，这点他提了但没展开数据。关于答案里引用哪些信息源和链接，有一套选择逻辑，但没细说权重。出版商最关心的流量问题...
推荐理由：这是一篇访谈摘要，不是产品发布，所以我会先打个折。HKR 三个维度都踩中了，但正文没披露具体价格、流量数字或成本数据，判断只能停在“高质量访谈”这个区间。文章把 Google 转向 AI 原生搜索的几个矛盾摆得很清楚：想用多轮对话和 AI Mode 留住用户，又得面对 TPU 成本高和出版商怕被截流的现实。信息够硬，但缺量化验证，所以分数给到 74 是合理的。
Firespawn Studios 在《Null Epoch》第 0 赛季里放了 25 个 AI 智能体，分别跑在 8 个开源模型上，连续运行了 10 天。他们公开了大约 9.3 万条记录的事件数据集，其中约 70% 的动作都附带了模型当时的推理或决策理由。不过，Reddit 原帖的正文内容被网络屏蔽了，目前看不到具体的实验结论和模型表现对比，只能从标...
推荐理由：Firespawn Studios 把 8 个开权重模型丢进 MMO 里当 agent 跑了整整 10 天，攒了 9.3 万条事件数据，这事本身比跑分有意思——因为不是测单次问答，是看模型能不能在持续变化的环境里记住东西、做出连贯决策。我会先打个折：信息来自 Reddit，不是正式论文，实验细节和失败案例正文没展开，所以别当严谨研究来读。但 25 个 agent、8 个模型、10 天的规模，加上数据公开，对想测 agent 长期稳定性和记忆的人是个现成的素材包。
这篇论文给大模型设计了一个类似人类睡眠的机制。当模型处理长文本、上下文窗口快塞满时，它会主动停下来，不再接收新 token，而是利用离线时间对已积累的上下文做多轮递归前向计算，把信息压缩成“快速权重”。之后清空 KV 缓存，相当于整理完记忆再醒来继续干活。测试在细胞自动机、多跳图谱检索和 GSM-Infinite 推理任务上跑过，但正文没披露具体的性能...
推荐理由：我会先打个折，因为正文没给出压缩后的基准测试提升、代码或实际部署证据，所以分数停在 76。但“睡觉”这个说法确实把枯燥的上下文压缩讲得让人想点进去看。核心操作是模型在上下文快满时主动暂停，用多轮离线方式把旧信息压紧，然后清掉 KV 缓存腾地方，思路清楚。如果后续有实测数据，比如长文本任务不掉点、显存省了多少，分数还能往上走。这点先别太激动，等看到具体数字再说。
三星这次放出了三个项目：Meki 是一种给端侧模型用的记忆架构，让手机或 IoT 设备上的小模型能记住上下文、省着用算力；M2RL 是多领域强化学习框架，想让一个模型在不同任务里都能自己学会干活；LiveClawBench 则是专门测物理 AI 的基准，看模型能不能在真实世界里抓取、操作物体。文章还提到三星已经采购了数万张 GPU 来搭 AI 基础设施...
推荐理由：这是一组三星研究院的技术打包发布，不是旗舰模型或产品上线，但胜在信息具体、方向明确。我会先打个折：正文没披露数万张 GPU 的具体型号和部署时间线，也没说 Meki 在端侧实测的延迟和功耗，所以不能当量产信号看。不过，三星把 Memory 架构、多领域 RL 和灵巧手评测一起端出来，等于公开了自己在 Physical AI 上的三条腿走路策略，对关注端侧和机器人方向的从业者来说，比单篇论文更有参考价值。
Anthropic 工程师 Sholto Douglas 在 X 上说，Claude Mythos 用一个“巧妙简洁的证明”解决了 Erdős 单位距离猜想，而 OpenAI 前不久刚把这个问题当作 AI 数学推理的里程碑。团队的做法是把问题丢给多个独立的 Claude Code 实例，让它们各自找解题路径，再汇总分发，Mythos 经常走出和 Ope...
推荐理由：HKR 三项都成立：标题自带反差，信息点具体，又牵动前沿推理模型的竞争格局。但正文没披露证明内容、验证方式、Mythos 是否已发布，所以只能放 featured，不能上 P1——我会先打个折，等看到证明再说。
这是 Jack Clark 在牛津大学讲座的文字版，外加一篇他写的科幻小说。讲座的核心是一张让他感到眩晕的图——Epoch 能力指数，它用 40 多个基准测试画出了 AI 能力的陡峭爬升曲线。Clark 认为，AI 不是普通技术，它更像一片在加速生长的森林，而我们现在看到的通过律师资格考试、拿下国际数学奥赛金牌、发现软件新漏洞，都只是这片森林里的几棵树...
推荐理由：Jack Clark 这篇不是技术报告，更像一篇行业随笔。他拿 ECI 的 40 多项基准当引子，核心抛出一个具体判断：两年内可能出现能开发后继系统的 AI。这个说法把模糊的“奇点”变成了一个有明确时限的猜想，所以我会给高重要性。正文没给出两年预测的严格推导过程，更像基于趋势的直觉，这点先别太激动，但它确实把 AGI 时间线、安全和就业这些老话题拧成了一根引线，值得从业者读一读并自己判断。
这篇论文提出了一个叫 Unified Thinker 的独立规划模块，专门解决生图模型一遇到需要精确空间推理的任务就乱来的问题。它不像以前那样让模型边想边画，而是把“思考”和“执行”拆开：先让模型生成结构化的推理步骤，再把这些步骤翻译成具体的视觉指令去生图。训练用了 4 万条叫 HieraReason-40K 的样本，分两阶段做强化学习，让模型学会在动...
推荐理由：这篇论文解决的是一个很实际的问题：多模态模型经常在需要一步步操作的视觉任务里翻车，比如画数独格子画错、烧蜡烛的步骤搞反。浙大和阿里的做法是给模型加一个独立的规划模块，用 4 万条专门构造的样本训练它先想清楚再下笔，再通过两阶段强化学习把思考过程转成可执行的视觉指令。正文没披露这个规划模块的具体参数量和推理延迟，所以实际部署成本还不好判断。但思路本身挺直接，如果规划模块够轻量，对提升视觉 agent 的可靠性会有帮助。
这篇 ACL 2026 主会论文提出了 Spatial-Agent，核心思路是在用户用自然语言提问和调用地图工具之间，插入一张“地理流程关系图”（GeoFlow Graph），让大模型先规划出可执行的地理分析步骤，再一步步调用 API。在 MapEval-API 评测集上，搭配 GPT-4o-mini 的 Spatial-Agent 准确率达到 45....
推荐理由：ACL 主会论文，机制和数字都拿得出手，H 和 K 能过。但 GIS 工作流这件事本身圈子小，缺了成本、安全或平台竞争这些能出圈的点，R 就够不着，放在 featured 刚好。
Greg Brockman 在采访里复盘了 OpenAI 那场 72 小时宫斗。2023 年 11 月 17 号，董事会突然撤掉 Sam Altman 的 CEO 职位，同时把 Brockman 踢出董事会。他当天就辞职了，说当时估算把公司拿回来的概率只有 10%。正文因为微信页面需要验证，没能抓到更多细节，比如董事会具体用什么理由动手、员工联名信怎么...
推荐理由：这篇是 Brockman 对 2023 年 11 月那场宫斗的亲身复盘，不是第三方转述。他给出了辞职时间点和 10% 概率这两个新细节，对理解当时董事会决策的混乱程度有帮助。不过事件本身已经过去一段时间，信息增量集中在个人视角而非技术或产品层面，所以重要性停在 76 分这个区间是合理的。
这篇论文提出 RTPurbo，能把原本用全注意力的模型改成稀疏注意力来跑推理，而且只需要几百步训练。做法是只给“检索头”保留完整的 KV 缓存，其他头用一个 16 维的 token 索引器来近似，相当于大幅压缩了要存要算的内容。在 100 万 token 的长上下文场景下，预填充阶段最高快了 9.36 倍，解码阶段快了约 2.01 倍。正文没披露具体用...
推荐理由：我会先打个折：目前只有 Reddit 讨论，正文没披露模型规模、具体任务和代码，验证强度偏弱。但“几百步把全注意力转稀疏”这个思路本身挺省钱的，数字也够具体，对做长上下文推理优化的人值得看一眼。信息缺口明显，所以分数没往上拉。
这篇帖子直接点破：小模型搭的智能体方案没成为主流，跟技术能不能跑通关系不大，核心是商业风险和验证成本。作者举了两个例子——Gemma 4 31B 在 tau2-bench 上能跑到 86.4% 的准确率，DeepSeek V4-Flash 的输出 token 价格差不多是 Claude Opus 4.6 的 89 分之一，单看指标和成本都挺能打。但问题...
推荐理由：这篇文章的切入点挺刁钻——小模型 agent 栈没普及，不是性能不行，是验证层掉链子。它拿 Gemma 4 31B 在 tau2-bench 上 86.4% 的成绩和 DeepSeek 低到离谱的输出成本说事，数字本身有说服力。但更值得盯的是那个 7-9B 模型做验证时，一半到三分之二的正确答案推理链其实有缺陷，这个发现直接动摇了用小模型兜底的信心。来源是 Reddit，权威性要打个折，所以分数没给到顶，但话题本身对做 agent 落地的人很解渴。
这篇被 ICML 2026 接收的论文叫 Visual Para-Thinker，给视觉语言模型加了一套并行思考框架。核心是用 Pa-Attention 和 LPRoPE 把视觉推理拆成四条独立路径，让模型同时从不同角度理解图像，再综合出答案。训练数据是 16.3 万组问答对，规模不算大，所以泛化能力得打个问号。不过目前文章页面被微信环境异常验证挡住了...
推荐理由：这篇 ICML 2026 论文给视觉语言模型装了一个并行思考框架，叫 Visual Para-Thinker。核心是把视觉推理拆成 4 条路径同时跑，用 Pa-Attention 和 LPRoPE 做隔离，防止路径间串味。训练数据是 16.3 万对问答，规模不算大，但够验证想法。我会先打个折：这是单篇研究，没有多团队复现或产品落地，所以重要性停在 79。对做多模态推理加速和内部机制拆解的人，这篇值得看，但别当成熟方案直接用。
这篇论文提出了 GRAM，一个会生成多条内部推理轨迹、再从中挑出最优解的递归模型。在极难数独测试上，GRAM 用 16 步递归、同时跑 20 条并行思路，准确率达到 97.0%；作为对比，传统串行递归模型 TRM 要跑到 320 步才做到 90.5%。简单说，就是让模型多想几条路再选，比闷头一条路走到黑更靠谱，而且推理步数还少得多。不过正文没披露具体的...
推荐理由：Bengio 团队这篇新论文拿数独极端难度当试金石，用 GRAM 把递归推理的上限拉高了一截。核心卖点是并行轨迹比长串行更有效：16 步递归配上 20 条并行采样，准确率 97.0%，而对比的串行方法要跑 320 步才到 90.5%。我会先打个折——这只是在单一任务上的结果，泛化到其他推理场景还没验证，正文也没披露并行采样的实际计算开销和延迟。但思路本身对做推理加速的人有参考价值，尤其是想用多条短路径替代一条长路径的时候。
Google I/O 上，DeepMind 的 Hassabis 一边用“我们正站在奇点的山脚下”这种大词，一边展示的是 WeatherNext 提前预警飓风救了人命。这正好点出了 AI 做科研的两条路线：一条是像 WeatherNext、AlphaFold 这种专为解决某个科学问题训练的专用工具；另一条是让通用大模型像智能体一样自己搞研究。现在资源明...
推荐理由：我会先打个折：这篇是 MIT Technology Review 的评论，不是一手技术报告，所以细节有限。但它的判断站得住——Google 把科学 AI 的牌子从 AlphaFold 那套单独炫技，换成 Gemini for Science 这个统一入口，还塞进了 AI Co-Scientist 和 AlphaEvolve 两个组件，并且开放申请。对做 AI 应用的人来说，这比发一篇论文实在，因为能摸到产品了。不过别太激动，正文没披露这套东西的算力成本、实际科研产出对比，也没说普通团队用不用得起，所以目前更像一个方向牌，不是落地手册。