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 21–40 条 · 共 696 条

11月10日星期二

Simon Willison

llm-anthropic 0.31 发布,支持 Fable 5.2 和 Mythos 5.2

Simon Willison 发布 llm-anthropic 0.31,加入 Anthropic 今天发布的 Fable 5.2 和 Mythos 5.2,支持通过 CLI 调用新模型。

推荐理由:Simon Willison 实测 Fable 5.2 的五档推理强度,max 耗尽 token 未生成图像,而前两版同档测试成功。

TechCrunch · AI

Anthropic 发布 Mythos 5.2 和 Fable 5.2,递归自我改进引发担忧

Anthropic 周一发布 Mythos 5.2 和 Fable 5.2,称其编码、推理、视觉及沟通能力有所提升。Fable 输入价格从每百万 token $10 降至 $8,各努力级别下响应速度提升 30%,并通过 Enterprise Frontier Safeguards 支持零数据保留(ZDR)政策。

推荐理由:Anthropic 将 Fable 的输入价格从每百万 token $10 降至 $8,使 Fable 5.2 比主要竞品 GPT-6 Astra 更便宜。

Hacker News 首页

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度较 5.1 版本最高加快 30%。

推荐理由:Anthropic 为同一底层模型设置不同安全防护与准入条件,通用用户与网络安全、生物医学研究机构获得的任务权限存在明确差异。

The Verge · AI

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

Anthropic 宣布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度快于 5.1 版本。公司称预发布测试中,两款模型协助完成软件迁移、从零设计出 3 个可工作的电子设备、解决 2 个黑洞物理开放问题,并在 30 小时内形式化费马大定理的证明。

推荐理由:Anthropic 为两款新模型设置了不同开放范围,Fable 今日上线而 Mythos 初期仅向经审核组织开放。

Computing Life · Share · 鸭哥调研

Agent Harness 技巧评测解读:哪些框架设计能提升表现并降低成本

Surge AI 与 FireFlash 的对照实验显示,编程智能体可通过提高单模型思考深度、设置测试与目标核对关卡、改造终端管道提升表现。Surge AI 实验中,Compound Engineering 将成本提高至基线的 8 倍,成绩仅从 31.1 升至 32.9;Claude Opus 5.5 调高思考设置后达到 42.4,成本为基线的 3.5 倍。

推荐理由:Surge AI 与 FireFlash 团队拆解智能体框架技巧的成本收益,实验对比了多代理协作、单模型深度思考与终端管道改造。

11月6日星期五

Latent Space

Thinking Machines 发布 Inkling 2 Small:68 小时预训练,网页开发评测领先 Muse Spark Open

Thinking Machines 发布 Inkling 2 Small,这款 594B 总参数、17B 活跃参数的多模态 MoE 已在 Tinker 提供微调和推理。

推荐理由:Inkling 2 Small 在人工智能评测中的能力提升伴随更高输出 token 消耗,低单价使其单任务成本仍低于对比模型。

Hacker News 首页

腾讯发布 Hy4,新增视觉理解与计算机操作能力,计划开放模型权重

腾讯发布新一代大语言模型 Hy4,新增视觉理解和计算机操作能力,并计划在未来几天发布模型权重与系统卡。模型加强了指令遵循、长上下文理解及长周期智能体任务能力,目前已接入 WorkBuddy、CodeBuddy、腾讯云 TokenHub 等产品。

推荐理由:腾讯为 Hy4 增加视觉理解与计算机操作能力,并保持 Hy4 Preview 的定价,扩展任务范围未伴随标准调用价格上调。

11月3日星期二

Hacker News 首页

Astra 通过读写权重改善 Qwen3.5-0.8B 的数学表现

Weight-Space Programming 研究报告称,GPT-6 Astra 直接编辑 Qwen3.5-0.8B 的 0.016% 权重,将 MATH-500 从 7.9% 提升至 48.1%。

推荐理由:Astra 对 Qwen 的权重编辑缓解了推理循环,对少有循环的 Gemma 则提升有限,区分了解除行为障碍与增加数学能力。

Google 博客 · Gemini

Google 回顾 2026 年 10 月 AI 更新,涵盖 Gemini 4 与 Genie 4

Google 回顾 2026 年 10 月 AI 更新,重点包括 Gemini 4 Argon 全球推出、Gemini 4 Carbon 公布及世界模型 Genie 4。

推荐理由:Google 将 Argon 全球开放与 Carbon 限定测试分开推进,两款前沿模型的使用入口与安全测试阶段有明确差异。

11月2日星期一

Computing Life · Share · 鸭哥调研

大模型推理为何采用 PD 分离,Cloudflare 又如何因此泄露用户代码

PD 分离通过拆开预填充与解码改善推理性能,但 Cloudflare 的 GLM-5.3 部署因异常请求处理漏洞发生跨租户缓存泄露。Cloudflare 的复盘指出,155 条超长上下文回复混入其他用户的对话或代码,原因是超限请求被替换为 1 个 token 的占位符后仍进入跨节点传输,解码节点读取了未被覆盖的旧缓存。

推荐理由:Cloudflare 在泄露修复中加入传输数量校验与延迟显存回收,将跨节点异常退出时的数据覆盖和页面归属纳入安全检查。

11月1日星期日

Computing Life · Share · 鸭哥调研

如何用 Opus 5.5 花 1.22 美元复现 ETH 猜想反证

鸭哥报告用 Claude Code 调用 claude-opus-5-5,输入公开的五句话提示词,以 1.22 美元复现了 ETH 猜想的反证。实测关闭所有工具和联网搜索权限,耗时 8 分 41 秒,消耗 48,101 个思考 token,输出包含五个小节的数学证明。文章解释提示词中的算法思路,并强调该理论结果不代表 P=NP,进而提炼出提示词应突出反直觉路径、高层概念和最差情况瓶颈的方法。

推荐理由:鸭哥从 Opus 5.5 的复现实测提炼提示词方法,将专家输入集中在反直觉路径、高层概念与最差情况瓶颈上。

10月30日星期五

10月29日星期四

Mistral AI

Mistral Large 4(Le Chonk)提升编码与防御安全能力

Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的开放权重,这款 1-trillion-parameter 原生多模态模型提升了编码、防御性网络安全与推理效率。

推荐理由:Mistral Large 4 开放权重并允许自托管与定制,经营模型即服务的企业须另获商业许可,自主部署与商业使用的授权边界明确。

Hacker News 首页

Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index v5

Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 获得 59 分,排名第一,编码智能体指数排名第二。

推荐理由:Artificial Analysis 将 Gemini 4 Carbon 与同类模型比较,其单任务成本低于 Claude Opus 5.5。

Google 博客 · Gemini

Google 发布 Gemini 4 Carbon,提升网络安全与长周期任务能力

Google 宣布 Gemini 4 Carbon,重点提升网络安全防御、编码和长周期智能体任务能力。在未启用防护措施的外部评测中,其漏洞发现、漏洞利用和修复成绩分别为 SEC-bench Pro 88.2%、ExploitGym 54.8% 和 CWE-bench 71.0%。

推荐理由:Google 为 Gemini 4 Carbon 沿用前代入门价格,并报告安全代码生成成功率较前代提升超过 2x。

10月28日星期三

TechCrunch · AI

OpenAI 与 Anthropic 声称推翻指数时间假设,这对计算机科学意味着什么?

OpenAI 与 Anthropic 声称其模型找到了以次指数时间解决特定逻辑问题的算法,可能推翻指数时间假设(ETH)。ETH 与 P vs NP 问题相关,但推翻它并不等于已经得出 P = NP;MIT 教授 Ryan Williams 正组织学界共同审查算法,并推动讨论依赖该假设的研究基础。

推荐理由:OpenAI 与 Anthropic 声称推翻指数时间假设,若结论成立,计算机科学界将需要重新审视依赖该假设的研究基础。

10月27日星期二

The Decoder

OpenAI 邀请外部专家及诺奖得主审查 AI 生成的数学、计算机科学与物理证明

OpenAI 邀请外部专家审查 AI 生成的数学、计算机科学和物理证明,参与者包括诺贝尔物理学奖得主 David Gross。公司声称成果涉及推翻指数时间假设(ETH)、解决所有维度的局部光滑猜想,以及建立若干四维量子场论的数学存在性;Yang-Mills 成果仅涉及存在性,不包含质量间隙,不能算完整解决对应的千禧年难题。

推荐理由:OpenAI 为三个领域的 AI 研究成果安排不同审查路径,形式化检查与专家审查分别承担逻辑核验和问题含义确认。