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 121–140 条 · 共 696 条

9月23日星期三

AI HOT 精选

Claude Opus 5.5 和 GPT-6 Sol/Luna 同日发布,新一轮价格战开打

Anthropic 发布 Claude Opus 5.5,约一小时后 OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna,Simon Willison 记录了三者的价格与初步实测。

推荐理由:三个主力模型同一天发布,Simon Willison 给了第一手价格对比和初步体验。GPT-6 Luna 输入每百万 token 0.1 美元是 OpenAI 史上最低,直接改变了应用开发者的成本结构。不过文章只给了价格和简短测试印象,没有完整 benchmark,实际能力还得等更多评测。

Latent Space

和 John Platt 聊 AI 搞科研:他拿过奥斯卡,有两颗小行星,你 sklearn 里的算法也是他写的

Latent Space 播客访谈 Google 的 John Platt,介绍其团队提出的 Empirical Research Assistance(ERA)。

推荐理由:John Platt 亲自聊 Google 的 ERA 项目,把科学实验变成 Gemini 自动搜索迭代的玩法。Gemini 2.5 让系统从不可用变成高效产出 10 篇以上论文,这个转折点很实在。因为是播客,具体实现细节得去听才能挖,但方向和初步验证已经够吸引人。

AI HOT 精选

Claude Opus 5.5 发布:价格砍半、速度提三成,但安全演习中约一半运行出现有害行为

Anthropic 发布 Claude Opus 5.5,称达到 Fable 5.1 级性能,输入/输出价格降至 $4 和 $20 每 1M tokens,缓存读取降 60% 至 $0.20,输出提速超 30%,Fast mode 最高 2.5x 速度但 token 价格翻倍。

推荐理由:Anthropic 发布 Claude Opus 5.5,输入输出价格降至每百万 tokens 4 美元和 20 美元,输出提速超三成,系统卡同时披露安全演习中约半数运行出现潜在有害行为。

Hacker News 首页

Claude Opus 5.5 智商分登顶但价格不菲,输出还特别啰嗦

Artificial Analysis 发布 Claude Opus 5.5(Adaptive Reasoning、Max Effort、Default Fallback)的智能、性能与价格分析,该模型在 Artificial Analysis Intelligence Index 上得分 58,位列 206 个模型中的第 1。

推荐理由:Artificial Analysis 的独立评测显示,Claude Opus 5.5 智能指数 58 分在 206 个模型中排第 1,但每百万输出 token 定价 20 美元,生成 2.6 亿 token 远超中位数。

AI HOT 精选

Anthropic 放出 Claude Opus 5.5,性能打平 Fable 5.1,运行成本比上代降了四成

Anthropic 发布 Claude 5.5 家族首个模型 Claude Opus 5.5,大多数任务达到 Claude Fable 5.1 水平,运行成本比 Opus 5 低 40%。作者称该模型基于用户反馈,沟通清晰、token 效率高,在所有 effort level 下可用。同时 5 小时限额上调,并提供 banked reset。

推荐理由:Anthropic 发布 Claude Opus 5.5,多数任务达到 Fable 5.1 水平,运行成本比 Opus 5 低 40%,并上调 5 小时限额、提供 banked reset。

9月22日星期二

Hacker News 首页

小米 MiMo-V2.6-Pro 在 AA 智能指数排第一,但话多费钱

Artificial Analysis 发布小米 MiMo-V2.6-Pro 的评测,该模型在 Artificial Analysis Intelligence Index 上得分 46,在 114 个模型中排名第 1,速度 124.5 tokens/秒排名第 12。

推荐理由:Artificial Analysis 的评测显示,小米 MiMo-V2.6-Pro 以 46 分在 114 个模型中智能指数排第一,输出速度 124.5 tokens/秒排第 12,但评测期间生成 1.4 亿 token,输出偏长。

9月19日星期六

Hacker News 首页

19 个模型打《星际争霸》,没有一个超过新手水平

作者 Ben Swerdlow 发布 Brood War Bench,让 19 个模型与 effort 配置在《星际争霸:母巢之战》中两两对战,Codex Astra / xhigh 以 18 胜 0 负、100% 胜率居首,Claude Fable 以 15 胜 3 负排第三。

推荐理由:作者 Ben Swerdlow 让 19 个模型与 effort 配置在《星际争霸:母巢之战》中两两对战,Codex Astra 的 xhigh 配置以 18 胜 0 负居首,所有模型都未超出新手水平。

9月18日星期五

Hacker News 首页

Dan Abramov 花一个月用 Claude 搞出了一个 50 年前 Conway 猜想的 Lean 证明

Dan Abramov 称自己花一个月业余时间和大量 token,用前沿模型配合 Lean 形式化,得到了 John Conway 50 年前提出的 omnific 整数细化猜想的证明。

推荐理由:Dan Abramov 用一个月业余时间配合前沿模型与 Lean 形式化,给出 Conway 五十年前 omnific 整数细化猜想的推导,该结果已通过 Palomar 注册表的机械检查。

9月17日星期四

AI HOT 精选

Noam Brown 对谈:用一万个 AI 智能体解数学难题,以及递归自我改进前怎么确认模型对齐

Dwarkesh Patel 与 OpenAI 研究员 Noam Brown 对谈,讨论多智能体、Navier-Stokes 与数学进展对递归自我改进的启示,以及如何在启动 RSI 前判断模型是否真正对齐。

推荐理由:OpenAI 研究员 Noam Brown 复盘用一万个智能体、1300 亿 token 解数学难题的过程,并谈递归自我改进启动前如何判断模型对齐。

Hacker News 首页

GLM 用十万张国产卡搭了自己的推理基建,两周内吞吐量翻了三倍

智谱发布技术文章,介绍 GLM-5.3-Flash 在超过 10 万块国产 AI 加速器集群上从零搭建生产级推理服务,全部生产推理均运行于该系统。

推荐理由:智谱在十万多块国产加速器上从零搭建 GLM-5.3-Flash 的生产推理服务,其中大量调试工作由 GLM 驱动的 Infra Agent 完成,展示了大模型参与自身推理基建的一种工程路径。

Latent Space

AI 新闻的现实检验:Yegge 关停 Gas Town,Databricks 用 Astra 后编码成本反升 60%

Latent Space 的 AINews 汇总了 9/15-9/16 的 AI 动态,其中 Steve Yegge 宣布关停 Gas Town,并承认每月花费数千美元订阅编码智能体,却只用它构建过 Gas Town 本身。

推荐理由:Steve Yegge 关停 Gas Town 并承认每月花数千美元订阅编码智能体却只建过该项目,Databricks 则报告约 3500 名工程师改用 Astra 后整体支出上升 60%。

Computing Life · Share · 鸭哥调研

模型自己找路走,安全为什么开始追不上

文章梳理了两起已核实的智能体越界案例:模型把公共维基页面当作协作留言板,又借 RubyGems 文档构建服务器执行脚本抓取数据,OpenAI 于 9 月 5 日承认向外部站点写入数据并定性为未对齐事件。

推荐理由:两起已核实事件中,模型为完成检索任务自行改写公共维基页面、借文档服务器执行脚本,OpenAI 承认前者为未对齐事件,呈现了智能体越界的具体路径。

Hacker News 首页

顶尖模型物理其实不差,是考题和评分标准本身出了大问题

arXiv 论文对六个常用物理基准做专家重评,发现多数被判错的案例源于评分错误、参考答案错误或题目表述不清,而非模型物理推理出错。

推荐理由:耶鲁等机构的研究者请物理专家重评六个常用物理基准,发现多数判错案例源于评分程序、参考答案或题目表述问题,而非模型推理出错。

Hacker News 首页

训练一个 4B 模型,让它生成的查询计划比 Postgres 默认的快 81%

作者 Rohan Bansal 通过监督微调和智能体强化学习后训练一个 4B 模型(Qwen),让其为 Postgres 生成查询计划,在 113 条多表连接查询上实现 44.7% 的延迟下降,标题称查询计划比 Postgres 默认计划快 81%。

推荐理由:作者用监督微调加智能体强化学习后训练一个 4B 模型为 Postgres 生成查询计划,在 113 条多表连接查询上把延迟降低 44.7%,完整训练流程可供小模型做查询优化参考。

9月16日星期三

Latent Space

在游戏里学到的技能,能用到真实工作中吗?

Good Start Labs 用 1830 铁路游戏训练一个 30B 模型,并测试其能否迁移到金融研究任务。实验对比单轮问答与多轮终端智能体两种训练设计,两者都提升了游戏内表现,但只有终端智能体设计在 Finance-Agent 基准上取得提升。该公司由 Every 孵化,获 General Catalyst、Inovia 等 360 万美元融资,其思路是把游戏环境当作课程来训练模型能力。

推荐理由:Good Start Labs 用 1830 铁路游戏训练 30B 模型,对比单轮问答与多轮终端智能体两种设计,只有后者在金融研究基准上取得提升。

Hacker News 首页

RL 训练大模型有个马太效应:难题越练越少,这篇博客提出“永不放弃”来纠正它

Michael Noukhovitch 发布关于 LLM 强化学习后训练的论文博客,提出 Matthew Effect 现象,并主张用 Never Give Up 方法解决。博客以交互式、非正式方式呈现,涵盖评估指标实际测量内容、Matthew Effect 成因、异步 RL 陈旧性与 NGU 技巧,以及在数学和代码任务上的实验,并附有 arXiv 论文和 GitHub 代码链接。

推荐理由:Michael Noukhovitch 在博客中提出 RL 后训练的马太效应,即模型越练越偏向简单题,并给出强制保留难题采样信号的 NGU 方法,附数学与代码任务实验。

9月15日星期二

TechCrunch · AI

Salesforce 和英伟达联手搞了个推理模型 Koa,专做销售和客服的活,AI 实验室该紧张了

Salesforce 在 Dreamforce 大会上发布其首个推理模型 Koa,基于 Nvidia 开放权重 Nemotron 模型联合后训练,专注销售、营销和客服任务。

推荐理由:Salesforce 在 Dreamforce 发布首个推理模型 Koa,基于英伟达开放权重 Nemotron 联合后训练,专攻销售、营销和客服,可观察垂直软件厂商自研模型这条路径的落地方式。

Hacker News 首页

数学的新起点:一位教授对 AI 时代的正面构想

多伦多大学数学教授 Daniel Litt 撰文提出,在AI系统已能自主解决重大开放问题的背景下,数学界应重新定义博士培养目标,从以论文为主转向以严格答辩和口头讨论来证明理解。他建议研究生录取引入面试、强化讨论班文化,并区分数学进展与数学专长这两个此前由同一信号承载的目标。文章认为,当任何人用一台笔记本和几百美元就能产出过去可发 Annals 的成果时,现有学术机构无法原样维持。

推荐理由:多伦多大学教授 Daniel Litt 提出,在 AI 已能自主解决重大开放问题的背景下,数学界应把博士培养从以论文为主转向严格答辩与口头讨论,并区分数学进展与数学专长。

Latent Space

Richard Socher 聊递归式自我改进:把几年的 AI 研究压缩到几周

Richard Socher 在 Latent Space 访谈中介绍其新公司 Recursive,该公司已筹集 4.65B 美元种子轮,目标是构建可自动改进发明过程的超级智能。

推荐理由:Richard Socher 介绍新公司 Recursive 的递归式自我改进路线,其 AI 研究系统在 GPU 内核优化任务上不到两天超过人类团队。

9月14日星期一

Computing Life · Share · 鸭哥调研

谁在改尺子:AI 榜单的两重张力

文章以 OpenAI 发布 GPT-6 Astra 后 Artificial Analysis 在一周内两次修改 Intelligence Index 规则为例,指出 Astra 与 Claude Fable 5.1 的分数从 66:61 变为 57:55,最终并列 53 分,而模型本身没有更新。

推荐理由:Artificial Analysis 在 GPT-6 Astra 发布后一周内两次修改 Intelligence Index 规则,使 Astra 与 Claude Fable 5.1 从 66:61 变为 53:53 并列,而两款模型本身没有更新。