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 361–380 条 · 共 696 条

6月20日星期六

Hacker News 首页

GPT-5.5 的幻觉率是开源模型 GLM-5.2 的三倍,大模型迷信该破了

作者拿 GPT-5.5、DeepSeek V4 Pro 和智谱的 GLM-5.2 做了个对比测试。在 AA-Omniscience 幻觉基准上,GPT-5.5 的幻觉率高达 86%,DeepSeek V4 Pro 更是飙到 94%,而 GLM-5.2 只有 28%。这意味着前两者遇到不会的问题时,十次里有八九次会瞎编一个答案,而不是老实说“我不知道”。

推荐理由:个人博客用 AA-Omniscience 基准对比三款模型,GPT-5.5 幻觉率 86%、DeepSeek V4 Pro 94%,开源 GLM-5.2 仅 28%,给出了一组具体的横向参照。

6月19日星期五

Latent Space

GLM-5.2 通过社区实测,Z.ai 预告年底开源 Fable 级模型

智谱的 GLM-5.2 被多个独立来源认为是第一个在日常使用中摸到前沿水平的开源模型。Jeremy Howard 觉得它至少不输 Opus 4.8 和 GPT-5.5,但缺视觉能力。Artificial Analysis 在一个知识工作评测里把它排在 GPT-5.5 之上。

推荐理由:GLM-5.2 被 Jeremy Howard 和 Artificial Analysis 分别给了正面评价,是少有的开源模型被独立来源推到和 GPT-5.5、Opus 4.8 同一档。扣分是因为原文是付费 newsletter,细节有限,但判断本身有多个信源交叉验证,可信度不低。

AI HOT 精选

DeepSeek研究员开源AutoResearch:AI自己跑完285B模型强化学习全流程

DeepSeek研究员Deli Chen放出了一个叫AutoResearch的实验协议,让AI智能体在285B参数的模型上独立跑完了一整套强化学习研究闭环——自己设计实验、写代码、提交GPU任务、修bug、写总结,全程没人插手。系统用了GRPO这个工具。

推荐理由:DeepSeek研究员Deli Chen开源的AutoResearch协议,让AI智能体在285B参数模型上独立完成强化学习研究闭环,从设计实验到写总结全程无人干预。

AI HOT 精选

Steve Yegge:Fable 被美国政府短暂关闭,意味着最聪明的 AI 模型以后会像核武器一样被锁起来

Steve Yegge 认为,Fable 模型被美国政府短暂关停是一个分水岭,说明模型智能已经危险到需要管控了。他预测,最多再过两三代模型,最前沿的 AI 就会像核武器一样被政府严格管制,绝大多数财富 500 强公司都拿不到访问权限。开源模型虽然能追到 Fable 这个级别,但受限于算力壁垒和供应链封锁,很难再往上突破。

推荐理由:Steve Yegge 把 Fable 被短暂关停视为分水岭,并预测最前沿模型将在两三代内受到政府严格管制,多数财富 500 强公司难以获得访问权限。

6月18日星期四

OpenAI News

OpenAI 用 o3 模型重查 376 个儿童疑难病例,帮医生揪出 18 个新诊断

波士顿儿童医院、哈佛和 OpenAI 拿 o3 的“深度研究”模式,把 376 个之前没查明白的儿童罕见病病例重新翻了一遍。模型不是直接看病,而是根据基因数据和临床症状,提出有文献证据支持的候选病因。医生团队审核后,再走 CLIA 认证实验室的流程做验证,最终确认了 18 个新诊断,相当于在专家已经看过的基础上又多找出 4.8% 的病因。

推荐理由:波士顿儿童医院与哈佛、OpenAI 用 o3 重查 376 个未确诊儿童罕见病病例,在专家已有结论基础上新增 18 个诊断,并经过 CLIA 认证实验室验证。

Hacker News 首页

OpenRouter 让 11 个大模型打了 30 场吃鸡赛,Grok 4.1 Fast 赢了 43%,成本只有 Claude 的 1/27

OpenRouter 的 Jacky Liang 把 11 个模型扔进一个 2D 吃鸡游戏里打了 30 局。Grok 4.1 Fast 赢了 13 局,每赢一局成本 0.97 美元;Claude Sonnet 4.6 赢了 5 局,每赢一局要 26.78 美元,差了 27 倍。

推荐理由:OpenRouter 的 Jacky Liang 让 11 个模型在 2D 吃鸡游戏里打了 30 局,Grok 4.1 Fast 赢 13 局、每胜成本 0.97 美元,Claude Sonnet 4.6 赢 5 局、每胜 26.78 美元。

6月17日星期三

Hacker News 首页

GLM-5.2 登顶开源模型排行榜,在智能体任务上打平 GPT-5.5

Z.ai 的 GLM-5.2 在 Artificial Analysis 的 Intelligence Index v4.1 上拿了 51 分,超过 MiniMax-M3 和 DeepSeek V4 Pro(都是 44 分),成了目前最强的开源权重模型。

推荐理由:GLM-5.2 在 Artificial Analysis 的 Intelligence Index v4.1 上以 51 分超过 MiniMax-M3 和 DeepSeek V4 Pro 的 44 分,成为当前得分最高的开源权重模型。

AI 群聊日报

群友实测:Fable 5 活了三天就被收走,但用过的人都说它是“上帝下凡”

Anthropic 的 Fable 5 模型上线大约 72 小时就被撤下,正文没披露具体原因。群友实测下来,它在复杂推理、编程和写作上明显强过 Opus 4.8 和 GPT-5.5:有人卡了两个月的难题它两分钟解决,MindStudio 测出多步编程自纠率 81%,Vellum 直接说这是“代差级跃升”。

推荐理由:Anthropic 的 Fable 5 上线约 72 小时即被撤下,群友实测显示其在复杂推理、编程和写作上强过 Opus 4.8 与 GPT-5.5,多步编程自纠率达 81%。

Hacker News 首页

GLM-5.2(max)在综合智能榜排第一,但价格是同类开源模型的 3 倍

Z AI 在 2026 年 6 月放出了 GLM-5.2(max),一个总参数量 7530 亿、每次推理激活 400 亿参数的开源模型,用 MIT 协议。它在 Artificial Analysis 的智能指数上拿了 51 分,在 92 个模型里排第一,远超平均的 24 分。速度也不错,每秒能吐 112 个 token。

推荐理由:Z AI 以 MIT 协议开源 GLM-5.2(max),7530 亿总参数、每次推理激活 400 亿,在 Artificial Analysis 智能指数上以 51 分居 92 个模型之首,价格却是同类开源模型的三倍。

Latent Space

Z.ai 开源 GLM-5.2:744B 参数,前端编程跑分压过 Claude Opus 4.8

Z.ai 周末扔了个 MIT 许可的 GLM-5.2,744B 参数的 MoE 模型,主攻编程和长流程任务。第三方评测显示,它在 Code Arena 前端榜上把 Claude Opus 所有版本都超了,总榜也只比 Opus 4.8 差一点。

推荐理由:Z.ai 以 MIT 许可开源 744B 参数的 MoE 模型 GLM-5.2,主攻编程与长流程任务,第三方评测显示其在前端编程榜上超过 Claude Opus 各版本。

Computing Life · Share · 鸭哥调研

推理模型四年史:你以为的石破天惊,其实早有暗线

推理模型不是2024年突然蹦出来的。让模型写解题步骤的思维链、用自己生成的正确推理训练自己的STaR、给中间步骤打分的过程奖励模型,这些技术从2022年起就陆续成熟了。o1真正改变的是产品化:把推理变成一种可以计费、可以调度的资源,在API里引入reasoning tokens和可调节的思考强度参数,相当于给scaling law开了第二个轴。

推荐理由:从2022年思维链、STaR到过程奖励模型,梳理推理模型技术积累的四年脉络,并指出o1把推理变成可计费、可调度资源这一产品化转折。

AI HOT 精选

Sumi:从头训练的 7B 开源均匀扩散语言模型

Sumi 是第一个从零开始、用 1.5 万亿 token 预训练出来的 7B 参数均匀扩散语言模型。均匀扩散的意思是,模型在生成文本时每一步都可以修改任意位置的词,不像传统模型只能从左往右写,理论上更灵活。团队把模型权重、训练检查点和完整配方全公开了,包括用了哪些公开数据集、怎么混合的。

推荐理由:Sumi 团队从零预训练出 7B 均匀扩散语言模型,生成时每步可改任意位置词,并公开权重、检查点和完整数据配方。

6月16日星期二

AI HOT 精选

蚂蚁百灵开源三款新模型,用混合注意力架构把推理速度拉到 340 tokens/s

蚂蚁百灵发了 Ling-2.6-flash、Ling-2.6-1T 和 Ring-2.6-1T 的技术报告,代码和权重都公开了。三款模型用了同一种 Hybrid Linear Attention 架构,把 Lightning Attention 和 MLA 按 7:1 的比例拼在一起,主要为了在长文本上跑得快、省资源。

推荐理由:蚂蚁百灵开源 Ling-2.6-flash、Ling-2.6-1T 和 Ring-2.6-1T 三款模型,代码与权重公开,其 Hybrid Linear Attention 按 7:1 拼接 Lightning Attention 与 MLA,用于长文本提速省资源。

6月15日星期一

AI HOT 精选

MiniMax 开源 M3 模型,428B 总参数里只激活 23B,长文本推理更省钱

MiniMax 把 M3 模型权重放出来了,总参数 428B,每次推理只激活 23B,同时发了 MSA 稀疏注意力论文,专门降长上下文推理成本。M3 是第一个从预训练阶段就用图文交错数据练出来的开源模型。

推荐理由:MiniMax 开源 M3 权重,428B 总参数每次推理只激活 23B,并同步发布 MSA 稀疏注意力论文,为长上下文推理降本提供了一条可参考的稀疏激活路线。

AI HOT 精选

Kimi K2.7 Code 出了个高速版,写代码输出快 5-6 倍,但 API 价格翻倍

Kimi 给 K2.7 Code 模型加了个高速通道,模型本身没变,但输出速度拉到常规编程约 180 Token/s、短上下文能冲到 260 Token/s,是普通版的 5-6 倍。代价是 API 调用价格翻倍,Kimi Code Plan 用户消耗按 3 倍算。用的时候必须开思考模式,关掉会报错或退回 K2.6。

推荐理由:Kimi 为 K2.7 Code 增加高速通道,模型未变而输出速度提升到常规版的 5 至 6 倍,代价是 API 价格翻倍、Code Plan 消耗按 3 倍计。

6月13日星期六

AI 群聊日报

美国出口管制突袭 Fable 5,Anthropic 两小时内全球断供;智谱 GLM-5.2 趁乱全量开源

美国商务部把 Fable 5 和 Mythos 5 列入了出口管制,禁止向境外和美国境内的外籍人士提供服务,连 Anthropic 自己的外籍员工都用不了。Anthropic 在收到指令后两小时内就关停了这两个模型,但声明里说政府引用的越狱漏洞其实在 GPT-5.5 等公开模型里也广泛存在,单凭这个就禁掉面向数亿人的模型不合理。

推荐理由:美国商务部将 Fable 5 和 Mythos 5 列入出口管制,Anthropic 两小时内关停服务,其声明称所引越狱漏洞在 GPT-5.5 等公开模型中同样存在。

AI HOT 精选

Anthropic 关停 Claude Fable 5,Opus 4.8 和 GPT-5.5 仍是推荐组合

Anthropic 按美国政府指令,对所有用户停用了 Claude Fable 5。现在新会话默认切到 Opus 4.8,之前用 Fable 5 的会话会直接报错。DAIR.AI 的 Elvis Saravia 让大家别慌,他说 Fable 5 对多数任务本来就不值——成本高,性能还被砍过。

推荐理由:Anthropic 按美国政府指令停用 Claude Fable 5,新会话默认切到 Opus 4.8,原有会话直接报错,Elvis Saravia 同时给出 Fable 5 成本高、性能被砍的判断与替代组合。

6月12日星期五

AI HOT 精选

Kimi 开源了 K2.7-Code 代码模型,内部跑分比上一代高 11% 到 31.5%,推理还省了 30% 的 token

Kimi 把最新的代码模型 K2.7-Code 开源了。跟上一代 K2.6 比,它在自家三个测试集上分数都涨了:Kimi Code Bench v2 涨了 21.8%,Program Bench 涨了 11%,MLS Bench Lite 涨了 31.5%。推理时吐出的 token 量少了 30%,相当于同样的活儿更省算力。

推荐理由:Kimi 开源代码模型 K2.7-Code,在自家三个测试集上比上一代 K2.6 高出 11% 到 31.5%,推理 token 量减少 30%,开源与效率提升同时出现。

AI HOT 精选

Hugging Face 开源了 Open-R1,要完整复现 DeepSeek-R1 的推理能力

Hugging Face 在 GitHub 上发布了 Open-R1 仓库,目标是完全复现 DeepSeek-R1 这个推理模型。目前仓库已经拿到 2.61 万颗星和 2.4k 次复刻,但正文只放了项目首页的导航和元数据,没有公开具体的实现计划、训练数据、复现进度或跑分结果。

推荐理由:Hugging Face 在 GitHub 开源 Open-R1 仓库,目标是完整复现 DeepSeek-R1 的推理能力,仓库已获 2.61 万颗星和 2.4k 次复刻,是观察开源社区复现推理模型路径的入口。

6月11日星期四

机器之心 · 公众号

ACL 2026 Oral:大模型在短语语义推理上还是“如鲠在喉”

这篇ACL 2026 Oral论文给前沿大模型做了一次短语层面的“体检”,结论有点反直觉:模型能聊但未必真懂。研究把语义理解拆成抽取、分类、释义三步来测,发现没有一个模型能全优。GPT-5在习语分类上能到85.4%,但同一批短语的抽取就掉到78.7%,释义相似度更是只有22.5%。

推荐理由:ACL 2026 Oral 论文把语义理解拆成抽取、分类、释义三步测试前沿模型,GPT-5 习语分类达 85.4%,同批短语抽取降至 78.7%,释义相似度仅 22.5%。