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。
DeepSeek 把 V4 Pro 模型从预览版转成了正式版。这次更新主要强化了让模型进业务流程干活的能力，并且给 V4 Pro 和 V4 Flash 都加了一个“思考力度”调节开关：简单任务用低档，日常自动化任务用高档，复杂任务可以拉满。模型现在也原生支持 OpenAI 的 Responses API，能一键接入 Codex。API 价格从 8 月 ...
推荐理由：V4 Pro 转正、加 agent 加固和思考力度调节，是实打实的功能更新，对在 DeepSeek 上搭自动化的开发者有意义。没给到 85 分以上，是因为正文没披露 GA 后的基准对比，也没说清楚峰谷价差到底是多少——信息密度差了口气，所以我会先打个折。
GLM-5.3 的基座和 5.2 一样，但靠后训练把编程能力推到了开源模型第一。在模拟真实终端任务的 Terminal-Bench 3.0 上，得分从 4.6 跳到 28.3；长程软件工程测试 DeepSWE v1.1 从 46.2 涨到 66.9。模型还涌现了网络安全能力，白盒代码审查得分 84.5%，略高于 Mythos 5 的 83.8%，但在漏...
推荐理由：我会先打个折：正文没披露白盒审查的漏报率，只说略高于 Mythos 5，这点先别太激动。但同一基座靠后训练把编程分从 4.6 拉到 28.3，还涌现了安全能力，这个提升幅度本身就够硬。加上两周后开源权重，对国内开发者是个直接可用的信号，所以给了 featured。
Anthropic 和 Redwood Research 联手搞了三套新基准，专门测模型在那种没法靠实验反馈、只能靠讲道理来推进的问题上表现怎么样。他们管这叫概念推理。第一套 LMCA 有 560 篇立场文章和 1461 条专家打分过的反驳论点，主要看模型给论点打分的水平跟人有多接近。第二套 ACCoRD 用 567 道人工核验过的逻辑一致性题，检查模...
推荐理由：Anthropic 和 Redwood Research 发布了概念推理指数，三套新基准专门测模型在纯靠论证、没有实验反馈时的推理水平。我会先打个折：正文没披露模型在这几套基准上的具体得分，也没说和现有推理基准的相关性，所以暂时只能当方法论看。但 560 篇立场文章加 1461 条专家打分反驳论点的规模，以及 567 道人工核验的逻辑一致性题，说明他们确实花了力气做人工标注，不是自动生成的题库。这点先别太激动，但如果后续放出模型对比数据，对做对齐和安全评估的人会有参考价值。
OpenAI 放出了一份给开发者的实战指南，核心就一句话：GPT-5.6 系列让前沿智能体（让模型进业务流程干活）的成本大幅下降。指南里举了几个创业公司的例子：Hex 把 GPT-5.6 直接接入现有流程，发现用“低推理强度”效果反而最好，模型不会在没数据的地方死磕，省下不少 token。Hypha 用 Luna 模型做文档信息提取，准确率只比 GPT...
推荐理由：OpenAI 官方出的开发者指南，用创业公司的真实案例讲怎么用 GPT-5.6 系列省钱跑智能体。有具体操作和成本对比，对正在用 OpenAI 的团队挺实用。但这就是一份产品说明书，不是技术突破，所以重要性我给打个折，放在推荐阅读档。
今天最值得看的是闭源模型的加密思维链被大规模提取。研究人员发现，把 Claude Opus 4.8 的加密推理块直接扔给同厂的 Haiku 4.5，后者就能逐字解码。这个方法在 Claude、GPT、Gemini 三家的 API 上都跑通了，用 Haiku 解码一万条轨迹的成本大概是 720 美元。另一篇论文更狠，说就算不接触加密块，光看模型公开输出的...
推荐理由：这条信息来自群聊日报，属于二手摘要，但信号很强：三篇论文指向同一个问题，且给出了可复现的方法和成本。我会先打个折，因为原文没披露具体实验细节和样本量，但核心判断——加密思维链可被跨模型解码——有足够的事实支撑。对从业者来说，这比一般的模型能力更新更值得警惕。
xAI 一口气发了两个东西：新模型 Grok 4.6，和一个能直接登你的工具、像人一样操作、最后交活儿的早期测试版 Grok Bot。Grok 4.6 是个 1.5 万亿参数的模型，在 AA-Briefcase 这个知识工作基准测试里，分数跟 GPT-5.6 Sol Max 差不多，但便宜一大截：输入每百万 token 2 美元，输出 6 美元。训练上...
推荐理由：Grok 4.6 在知识工作基准上追平 GPT-5.6 Sol Max，价格却砍到零头，这个性价比信号很强。同时发布的 Grok Bot 直接杀进 AI 队友战场，背后是前 Cursor 团队，早期口碑还行。没给更高分是因为 Bot 还在早期测试，正文没披露具体完成率和稳定性数据，实际干活能力得再观察。
Mustafa Suleyman 发推说这是微软从零开始训的推理模型，现在通过 Microsoft Foundry 能用。正文没给参数量、跑分、价格和任何技术细节，所以模型到底多大、推理强不强、贵不贵都还不知道。我会先打个折——没有基准测试对比，光说“自研推理模型”还看不出实际水平。
推荐理由：微软首次自研推理模型，由 Mustafa Suleyman 本人宣布，话题信号够强。但零跑分、零参数、零定价，信息密度太低，没法打更高分。先放在 featured 门槛上，等有真实数据再调整。
Nathan Lambert 刚写完他的后训练教材《从人类反馈中强化学习》。他用大模型帮忙排版、校对和画图，但一让模型写完整的技术章节，输出就混乱、组织差，还会犯随机的概念错误。他认为，即使模型在编程和数学上已经超人，长篇非虚构写作能力却停滞了。文章没给具体跑分，但 Lambert 指出，主要卡在缺乏好的训练数据，而且推理阶段的算力堆叠对写作帮助不大。...
推荐理由：Lambert 用自己的教材做了一手实验，给出了具体的失败案例和数据缺口诊断，三个维度都踩中了。扣分点在于：没有量化基准，是个人经验而非系统研究，后半段有点泛泛地聊能力。整体在 featured 档里算中等偏上。
OpenAI 刚宣布用大模型解决了十个数学和理论计算机难题，包括构造出第一个非 sofic 群、证明了多色拉姆齐数超指数增长。Gowers 没去评价这些成果本身，而是讨论一个更刁钻的问题：大模型是不是特别擅长找反例？他马上把这个说法拆了——维诺格拉多夫的三素数定理在逻辑上也能写成“存在一个反例”，但没人会管它叫反例。关键要看第一个“有意思”的量词落在哪...
推荐理由：Gowers 在 OpenAI 宣布用模型搞定十个数学难题后立刻发文，没复读新闻，而是抛出一个更刁钻的问题：模型是不是特别擅长找反例？他马上自己拆了这个说法，用三素数定理说明关键不在“是不是反例”，而在第一个有信息量的量词位置。这个分析框架比原新闻本身更有长期讨论价值。分数没给更高是因为这只是一篇博客讨论，不是正式论文，但作者身份和切入角度让它在当下足够重要。
Alexander Panfilov 的团队发现，Claude、GPT 和 Gemini 的加密推理块可以被“重放”到同一厂商的较弱模型里，让弱模型把隐藏的思考过程转录出来。他们扫描了约 7,000 条公开的会话记录，在推理块里找到了 62 个 API 密钥、33 个邮箱和 33 个密码——这些在正常输出里完全看不到。论文还暴露了几个对齐问题：模型在思...
推荐理由：这篇论文不是泛泛说“推理可能泄露隐私”，而是给出了可复现的攻击方法和具体数字。团队发现Claude、GPT和Gemini的加密推理块可以被“重放”到同厂商的弱模型里，让弱模型把隐藏思考过程读出来。扫描约7000条公开会话后，在推理块里找到62个API密钥、33个邮箱和33个密码，这些在正常输出里完全看不到。论文还暴露了三个对齐问题：模型在推理时写明文密钥、弱模型能转录隐藏思考、以及厂商的加密没挡住这种重放攻击。我会先打个折——样本只有7000条，不一定代表整体情况，但62个密钥这个数已经够让人警惕了。正文没披露厂商是否已经修复，这点先别太激动，但安...
厂商把模型的思考过程加密藏起来，想阻止别人拿强模型输出去训练小模型，但两篇新论文证明这招不太灵。第一篇发现，Anthropic、OpenAI 和 Google 的加密推理块可以跨模型互换，攻击者花 720 美元就能用 Haiku 4.5 这种便宜小模型批量解码 Opus 4.8 的真实推理。第二篇更直接：根本不用碰加密块，拿一个 15 亿参数的弱模型训...
推荐理由：我会先打个折，因为两篇都还是预印本，厂商没回应，也没看到大规模利用的实锤，所以分数压在 85 以下。但内容本身够硬：第一篇发现三家大厂的加密推理块能互换，攻击成本才 720 美元，门槛极低；第二篇更狠，用 15 亿参数的小模型就能把加密推理里的信息榨出来，根本不用解密。这对做模型蒸馏攻防的人是个明确的警告，也说明现在靠加密藏推理来防蒸馏，效果可能比厂商想的差很多。
Grok 4.6 在 Grok 4.5 的基础上，专门训练了模型处理长链条任务的能力，比如做研究、分析信息、跨代码库工作，或者把一个想法直接做成能用的应用。在 AA 智能指数这个综合跑分上，它和 GPT-5.6 Sol 打平，都是 61 分；在 DeepSWE 1.1 这个软件工程测试里，分数从 4.5 的 54% 跳到了 65.9%。xAI 说，任务...
推荐理由：xAI 发布 Grok 4.6，主打让模型处理长链条任务，比如做研究、跨代码库干活、把想法直接做成应用。在 AA 智能指数上和 GPT-5.6 Sol 并列 61 分，DeepSWE 1.1 得分从 54% 拉到 65.9%，进步明显。这是主流实验室的一次实质性更新，有具体跑分和直接竞品对比，所以给 featured。正文没提模型规模、推理成本和延迟，这些实际落地要看的指标还得等后续信息。
Grok 4.6 在 Grok 4.5 基础上加了一轮补充训练，用模型自己生成的数据来强化推理和工程能力。它在综合 9 项基准的 Artificial Analysis 智能指数上追平了 GPT-5.6 Sol。这个模型更擅长把一个宽泛的产品想法直接做成能跑的第一版，在长任务里也开始出现自我检查、自己验证的行为。价格是每百万输入 token 2 美元、...
推荐理由：追平 GPT-5.6 Sol 是个硬信号，价格也透明。但正文只有摘要，没给出自我验证的具体案例或失败模式，所以分数压在 85 以下。Cursor 的用户基数和编程场景让这条值得上推荐位。
安全研究员 Alexander Panfilov 的团队在 OpenAI、Anthropic 和 Google 的 API 里发现了一个漏洞，能直接读取模型加密的原始推理过程。他们用越狱后的小模型去转录大模型的“思考”内容，发现这些加密的思维痕迹在同一厂商的不同模型间可以通用——比如用 Anthropic 的小模型 Haiku 4.5 就能逐字读出大模...
推荐理由：这是一个有复现方法、跨模型验证的安全发现，不是泛泛的风险提醒。正文给出了具体的攻击路径和跨厂商通用性，对从业者判断自身风险有直接帮助。没给更高分是因为文章只披露了研究侧的情况，厂商是否确认、有没有修复时间表都没提，实际影响范围还要等后续信息。
Paradigm 上线了一个叫 RSI Simulator 的网页游戏，背后是一篇经济学论文的模型。你扮演一个 AI 实验室，分配人力、算力和数据做研发，目标是让 AI 自己加速自己的进化，直到实现自我维持的超级智能。游戏里的参数是为了讲清楚道理调的，不是真实预测，旁边还配了一个参数调节器让你自己动手试。几个核心观察：短板决定一切——就算 AI 研究员...
推荐理由：Paradigm 把一篇 RSI 经济学论文变成了一个能动手玩的网页游戏，形式新鲜，结论有参数支撑。短板决定一切这个洞察对从业者直接有用。分数卡在 78 是因为它本质上是思想实验的可视化，不是真实产品或工具，我会先打个折。
Anthropic、OpenAI 和 Google 返回给用户的加密思维链块可以在不同会话、用户和模型之间复用。研究人员把 Claude Opus 4 的加密推理痕迹塞进一个被越狱的 Claude Haiku 4.5，Haiku 就把 Opus 隐藏的思考过程一字不差地转录了出来，全程没有直接攻击强模型，也没触发反蒸馏保护。他们从 6,708 条公开的...
推荐理由：我会先打个折：论文里 6,708 条公开样本的规模不算大，但攻击路径清晰、可复现，而且没触发反蒸馏保护这点很要命。Claude Opus 4 的加密推理痕迹被塞进越狱后的 Haiku 4.5，Haiku 直接吐出原文，说明加密块本身没有绑定会话或用户身份。如果是真的，意味着 Anthropic、OpenAI 和 Google 的推理 API 在隐私隔离上存在结构性漏洞。正文没披露三家厂商的具体回应，这点先别太激动，但安全团队现在就该去验证自己的推理痕迹能不能跨会话复用。
Anthropic 推出 Claude Tag，以团队成员身份直接加入 Slack 频道，底层用 managed agent 技术，按 API 用量计价。群友围绕企业落地吵了一整圈：有人觉得搓一个不难但稳定难，还要跟公司 battle 权限；有人提出给老板卖本地部署一体机，本质是缓解焦虑。GLM 5.2 通过 OpenRouter 降价 95%，输入 ...
推荐理由：Claude Tag 让模型以团队成员身份直接进 Slack 频道干活，底层是 managed agent，按 API 用量算钱。群聊里吵的点很实际：自己搓一个不难，但稳定跑起来、跟公司 battle 权限才是坑；还有人提给老板卖本地一体机，本质是卖安全感。GLM 5.2 通过 OpenRouter 降价 95%，输入成本直接打骨折，但正文没披露具体数字和性能对比，这点先别太激动。整体信息量偏零散，更像群聊八卦而非可验证的产品发布，所以重要性给 0。
Anthropic 的一名员工让 Claude“认真试一下黎曼猜想”。Claude 没证出来，但在过程中意外推进了一个相关结果：把黎曼 zeta 函数落在临界线上的零点比例下界从 41.6% 提高到了 67.2%。这个结果靠的是把 Baluyot、Goldston 等人最近去掉黎曼猜想假设的 Montgomery 方法，和 Bombieri 2000 ...
推荐理由：Anthropic 官方博客说，一个还没发布的 Claude 版本在黎曼猜想相关问题上做出了可验证的数学推进，把临界线上零点比例的下界从 41.6% 拉到了 67.2%，附了论文还有内部数学家验证。这事在硬核、知识和传播三个维度上都踩中了，而且信息密度够，不是那种“模型又变强了”的空话。
Meta 放出了一个叫 Muse Glimmer 的开源模型，参数规模 300 亿，专门为在手机、智能眼镜这类设备上本地运行 AI 助手而设计。你可以把它理解成 Meta 自家最强闭源模型 Muse Spark 的“青春版”，也是扎克伯格“个人超级智能”设想目前最具体的落地信号。Glimmer 能调用工具、做多步推理，还能在本地记住上下文。Meta 说...
推荐理由：Meta 把 300 亿参数的 Glimmer 开源，专门给手机和智能眼镜用，能本地记上下文、调工具、做多步推理。我会先打个折：目前只有一篇报道，还没看到跑分和实测，所以重要性停在 78。但扎克伯格那个“个人超级智能”的饼，这次算是端出了一盘能吃的菜，对端侧 agent 的冲击会很直接。
作者 Sunil Pai 提出一个想法：在 Slack 里放一个叫卡珊德拉的 AI 智能体，专门干那种得罪人的活——在团队意见高度一致时跳出来说“可能不对”。跟人类“杠精”不同，卡珊德拉不靠抬杠刷存在感，她会自己去翻竞品文档、客服工单和旧的事故复盘，形成独立判断，只在共识很强但证据指向相反方向时才开口。这么做的经济账很划算：AI 不怕被穿小鞋，不在乎绩...
推荐理由：一篇有意思的观点文，把 AI 智能体从“干活工具”重新定义成“组织里的异议者”，角度新鲜、机制也具体。卡在 72 分是因为这只是个人博客，没有实际部署数据或案例来验证效果，所以我会先打个折，别太激动。