跳到正文

推理能力

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。

最新精选

第 341–360 条 · 共 696 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。