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 81–100 条 · 共 696 条

10月8日星期四

Simon Willison

Anthropic 发布 Claude Haiku 5.5,短上下文定价与 GPT-6 Luna 持平

Anthropic 发布快速、低成本模型 Claude Haiku 5.5,在不超过 100,000 tokens 时,每百万输入和输出 tokens 价格为 $0.10/$0.50,超过后升至 $0.50/$2.50。

推荐理由:Claude Haiku 5.5 在短上下文中与 GPT-6 Luna 同价,超过 100,000 tokens 后的涨价和分词差异会改变成本比较。

Hacker News 首页

Scott Aaronson谈AI数学突破对人类研究与成果传播的冲击

Scott Aaronson以《The Mathocalypse》讨论AI数学成果集中出现后,人类学者理解解答、解释成果和维系研究共同体的挑战。文中称OpenAI昨天公布372项结果,包括唯一博弈猜想的解答,其中部分附有Lean证书,但人类尚未理解其中几乎任何一份解答。

推荐理由:Scott Aaronson比较两家公司传播AI数学成果的方式,公开原始解答与委托学者整理各自涉及解释劳动和学术机会分配。

Hacker News 首页

Scott Aaronson谈AI“数学末日”与数学家的新角色

Scott Aaronson以“数学末日”描述AI攻克数学难题的冲击,并比较OpenAI直接公开成果与Anthropic邀请数学家整理后发表的路径。文中称OpenAI昨天公布372项成果,包括Unique Games Conjecture的解答,部分附有Lean证书,但人类尚未理解其中几乎所有解答。文章关注研究者如何消化这些成果,以及AI能够给出答案后,数学共同体如何继续维系探索和理解的价值。

推荐理由:Scott Aaronson比较两家公司发布AI数学成果的方式,公开原稿让研究者竞相解读,定向合作则由公司选择人类讲解者。

The Decoder

ChatGPT 搭载 GPT-6,以图表、按钮和迷你应用提供交互式回答

OpenAI 正在向 ChatGPT 用户推出 GPT-6,通过 Intelligent UI 将回答从主要使用文本转为包含图形、按钮、图表和表单的交互界面。界面随问题自动调整,也能在聊天内构建储蓄计算器或游戏;OpenAI 称,GPT-6 边思考边回答可将等待时间缩短 44%,内部困难网页搜索测试成绩高于 GPT-5.6。

推荐理由:OpenAI 为 ChatGPT 引入随问题调整的交互界面,让比较、图表探索和小工具使用直接在对话中完成。

OpenAI News

OpenAI 向更多 ChatGPT 用户推出 GPT‑6 与 Intelligent UI

OpenAI 推出面向更多 ChatGPT 用户的 GPT‑6,新增 Intelligent UI,可在回答中组合文字、图形、按钮、表单和交互工具。模型支持先回答再继续思考补充,内部评测中 GPT‑6 Instant 在需要网页搜索的问题上平均提前 44% 开始回答,相比对象为 GPT‑5.6 Instant。

推荐理由:OpenAI 将交互界面生成融入 GPT‑6 的回答流程,让用户直接在对话中调整输入、探索图解和使用临时生成的工具。

Hacker News 首页

Anthropic 发布 Claude Haiku 5.5,平均运行成本较 Haiku 4.5 降低约 75%

Anthropic 发布 Claude Haiku 5.5,面向高频、成本敏感任务,称平均运行成本较 Haiku 4.5 降低约 75%,现已在所有平台开放。

推荐理由:Anthropic 将 Haiku 5.5 定位于摘要、压缩和子智能体任务,复杂智能体编码仍由 Sonnet 5.5 和 Opus 5.5 承担更合适。

10月7日星期三

Latent Space

OpenAI 公布 722 篇数学论文,称解决前 500 个开放问题中的 90 个

OpenAI 公布内部未发布模型生成的 722 篇数学论文,材料称其解决了前 500 个开放数学问题中的 90 个,包括 Quasi-Riemann Hypothesis 相关结果。

推荐理由:OpenAI 将内部模型的数学论文、论证材料和部分推理摘要公开,为外部数学研究者逐项审查这些结果提供了依据。

Hacker News 首页

OpenAI 数学研究仓库收录模型生成的 722 篇手稿及配套验证材料

OpenAI 的数学研究仓库收录了内部未发布模型生成的 722 篇手稿,按相关结果分为 372 个研究系列。评估期间模型接受了约 4,000 个问题,绝大多数结果采用同一流程生成,每项结果平均使用该模型 3 小时的 ChatGPT Pro 思考计算资源。许多手稿已有 Lean 形式化验证,但验证进度各异,尚未形式化的结果可能存在问题;仓库将持续补充形式化材料,并保留修订历史。

推荐理由:OpenAI 公开模型生成的数学手稿及配套验证材料,并交代结果所处的不同验证阶段,为理解这些研究产出的可靠性提供背景。

10月6日星期二

The Decoder

Reflection 的 Beam 跻身中国以外性能领先的开放权重模型

Reflection 宣布文本模型 Beam,面向编码、逻辑推理和 AI 智能体任务,重点追求较低算力下的性能。公司称其在高难度推理任务上匹敌 GLM 5.2,所需算力少三到四倍,并允许用户调节思考程度以权衡算力成本与输出质量。Beam 仍在进行最终安全测试,目前仅向部分用户提供早期版本,技术报告、开发者文档及采用 Apache 2.0 许可的模型权重计划于本月晚些时候发布。

推荐理由:Reflection 称 Beam 在高难度推理任务上达到 GLM 5.2 的表现,所用算力减少至其三分之一到四分之一。

Hacker News 首页

Anthropic 与 OpenAI 订阅评测:日常主力模型的 API 等值价值约高 5x

SemiAnalysis 测算显示,在智能体工作负载下,Anthropic 的 Opus 5.5 订阅额度提供的 API 等值价值约为 OpenAI GPT 6.1 Sol 的 5x。

推荐理由:SemiAnalysis 分离不同 token 类型测量额度消耗,将订阅价值比较细化到套餐、模型和工作负载组合。

10月3日星期六

AI HOT · 模型

Anthropic 发布 Claude Opus 5.5,ECI 得分 167 排名第一

Anthropic 于 2026 年 9 月 22 日发布闭源权重模型 Claude Opus 5.5,ECI 得分 167,在 253 个跟踪模型中排名第 1。该模型在软件工程基准 MirrorCode 上取得 77%,在多模态 Furniture Assembly Benchmark 上取得 83%。输入价格为 $4 / 1M tokens,输出价格为 $20 / 1M tokens。

推荐理由:Claude Opus 5.5 的软件工程成绩高于 GPT-6 Astra,数学高难度测试成绩则低于后者。

Hacker News 首页

Aleph Alpha 发布开放权重模型 Kolibri,支持英德双语与 1M tokens 上下文

Aleph Alpha 发布英德双语 MoE 模型 Kolibri,总参数为 78B、激活参数约 3B,支持最高 1M tokens 上下文。完整权重在 Hugging Face 按 Apache 2.0 许可开放,部署需要提供 Kolibri vLLM 插件的 aleph-alpha-inference 包。

推荐理由:Aleph Alpha 将行业失败案例转成持续运行的评测,并用合成训练环境改进模型,无需使用客户数据训练。

10月2日星期五

AI HOT · 模型

NVIDIA 介绍 Blackwell GPU 如何加速 OpenAI GPT-6 Astra Ultrafast

GPT-6 Astra Ultrafast 运行于 NVIDIA Blackwell GPU,token 生成速度最高可达 Astra Standard 模式的 8x。

推荐理由:OpenAI 利用自身模型优化 NVIDIA GPU 推理软件,加快响应可缩短编码智能体反复编辑、测试和调试的等待时间。

10月1日星期四

Latent Space

Google DeepMind 发布 Gemini 4 Argon,支持 1M 输出 token

Google DeepMind 发布 Gemini 4 Argon,面向编码、企业知识工作和网络防御,目前仅通过 Fairwind Program 向政府用户和可信网络防御者开放,开发者与企业访问时间未定。

推荐理由:Google DeepMind 发布 Gemini 4 Argon,在 19 项基准中拿下 13 项第一,但仅通过 Fairwind Program 向政府用户和可信网络防御者开放,开发者与企业访问时间未定。

The Decoder

Google 发布 Gemini 4 Argon,基准追平 OpenAI 与 Anthropic 但未明显领先

Google 发布新前沿模型 Gemini 4 Argon,在多项基准上追平 OpenAI 的 GPT-6 Astra 和 Anthropic 的 Claude Fable 5.1,但未取得明显领先。

推荐理由:Google 发布 Gemini 4 Argon,第三方基准显示其追平 GPT-6 Astra 与 Claude Fable 5.1,但每任务消耗的输出 token 约为对手两倍。

AI HOT · 模型

Artificial Analysis 评测 Gemini 4 Argon:Google 重回智能前三梯队

Artificial Analysis 评测显示,Google DeepMind 的 Gemini 4 Argon 在高推理模式下于 Artificial Analysis Intelligence Index 得分 53,与 GPT-6 Astra(max,53)持平,领先 GPT-6.1 Sol(max,52)1 分。

推荐理由:Artificial Analysis 的评测显示,Gemini 4 Argon 高推理模式智能指数得分 53,与 GPT-6 Astra 持平,且幻觉率在同类模型中最低。

Google 博客 · Gemini

Google 发布 Gemini 4 Argon,先向可信网络防御团队开放

Google 宣布新模型 Gemini 4 Argon,通过 Fairwind Program 向部分可信网络防御团队逐步开放,面向编码、企业知识工作和网络安全防御。

推荐理由:Google 将 Gemini 4 Argon 的输出上限从 64K 提升至 1M tokens,为复杂任务的单次长程推理提供更大空间。

9月30日星期三

AI HOT · 模型

GPT-6.1 Sol 发布 7 天后接替 GPT-6 Sol,智能指数距 GPT-6 Astra 仅 1 分

GPT-6.1 Sol 在发布 7 天后接替 GPT-6 Sol,智能指数比 GPT-6 Astra 低 1 分,价格仍为每百万输入/输出 token 2 美元/10 美元,缓存读取折扣从 90% 升至 95%。

推荐理由:通过智能指数、成本与 token 效率的横向对比,读者可判断 GPT-6.1 Sol 在价格与能力之间的取舍。

9月29日星期二

OpenAI News

OpenAI 发布 GPT‑6.1 Sol,以更低价格接近 GPT‑6 Astra 的能力

OpenAI 发布 GPT‑6.1 Sol,在智能体编码、计算机使用和专业工作上接近 GPT‑6 Astra,标准输入输出 token 价格为其五分之一。

推荐理由:OpenAI 将 GPT‑6.1 Sol 的标准输入输出价格降至 Astra 的五分之一,多项智能体任务评测表现接近 Astra。