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。

106条精选相关主题论文研究模型发布Agent 智能体

最新精选

第 21–40 条 · 共 106 条
10月6日周二
  1. 🚨 AI News | TestingCatalog77

    Mistral 发布 1T 参数开放权重模型 Mistral Large 4 “Le Chonk”，激活参数 49B，支持原生多模态，API 当日开始推出，开放权重计划于 10 月底发布。TestingCatalog 引用 VentureBeat 称，其 DeepSWE 得分为 62%，高于 GLM-5.3；Finch 金融任务得分为 67%，Harvey 法律智能体基准得分为 15%，后两项均称为开放权重 SOTA。

    引用🚨 AI News | TestingCatalog@testingcatalog

    BREAKING 🔥: Mistral announced Mistral Large 4 "Le Chonk", a new 1T-parameter open-weight model! > 49B active parameters, native multimodality. > Rolling out via APIs today; open-weight release is planned for the end of October. > SOTA on "critical workloads", including cyber defense. Le Chaton Fat "Le Chonk" is here 👀 https://x.com/MistralAI/status/2107457414387622310/video/1

    推荐理由：汇总了 Mistral Large 4 在代码、金融和法律任务上的基准分数，可与 GLM-5.3 等模型横向比较。

  2. AWS Machine Learning Blog61

    Z.ai GLM 5.3 登陆 Amazon Bedrock

    Z.ai（智谱）的 GLM 5.3 现已在 Amazon Bedrock 上面向符合条件的企业客户提供。该模型是发布在 Hugging Face Hub 的 753B 参数 MoE 模型，面向编码和长程智能体任务优化，支持跨区域推理、提示缓存、Flex、Priority 和 Standard 服务层级。

    推荐理由：文章同时说明 GLM 5.3 的参数架构、Bedrock 接入方式和提示缓存配置，便于评估其在长程编码与智能体任务中的落地路径。

  3. TechCrunch · AI80

    Reflection AI 发布开放权重模型 Beam，主打更低推理成本

    Reflection AI 正式发布首个前沿开放权重模型 Beam，称其在高级推理基准上可媲美中国领先开放模型，同时推理计算用量少 3-4 倍。Beam 是纯文本 MoE 模型，总参数 501B、活跃参数 23B，预训练使用 23.8 万亿 token，上下文窗口为 100 万 token。

    推荐理由：文章整理了 Beam 的参数规模、上下文窗口、成本主张和开放权重计划，可帮助读者把它与 GLM-5.2 等开放模型直接比较。

10月3日周六
  1. Hacker News 热门（buzzing.cc 中文翻译）78

    Aleph Alpha 发布英德双语开放权重模型 Kolibri

    Aleph Alpha 发布英德双语 MoE Transformer 模型 Kolibri，总参数 78.1B、每 token 活跃参数约 3.46B，支持最长 1M tokens 上下文。

    推荐理由：材料完整披露参数规模、训练流程、基准结果和部署方式，可帮助读者评估欧洲主权开放权重模型的实际定位。

  2. Hacker News：AI 热帖83

    Aleph Alpha 发布主权开放权重大模型 Kolibri

    Aleph Alpha 于 2026 年 10 月 3 日发布开放权重 LLM Kolibri，采用 Apache 2.0 许可，权重已上线 Hugging Face。

    推荐理由：文章结合技术报告与作者的 tokenizer 实测，拆解 Kolibri 的架构、长上下文、德语推理和适用边界，便于判断私有化德语场景的选型。

  3. Hacker News：AI 热帖77

    The Saw Test：用激活转向测试 Qwen3-4B 的痛苦信号与缓解选择

    wirehead.agency 发布 The Saw Test，在 MacBook 上用本地开放权重 Qwen3-4B 注入痛苦、愉悦、恐惧和悲伤激活方向，并测试模型在自我缓解与转移信号之间的选择。

    推荐理由：材料用本地 Qwen3-4B 的激活转向实验，呈现痛苦与愉悦信号对模型选择行为的不同影响，并公开代码和预注册记录。

10月2日周五
  1. Hacker News：AI 热帖80

    金融 AI 智能体基准分数为何应像 Adjusted EBITDA 一样打折审视

    作者分析多个金融智能体基准后认为，82.2% 等头部分数主要反映干净输入、单次运行、宽松评分和简化环境下的表现，不能直接等同于真实金融工作可交付能力。

    推荐理由：文章把金融智能体基准分数拆解为输入预处理、运行次数、评分规则和环境简化等差异，便于团队按自身工作流校准可用性。

10月1日周四
  2. The Decoder81

    OpenAI 称已阻断模型推理窃取行动，但研究人员在 Azure 上仍能复现攻击

    OpenAI 称其发现并关停了一个试图通过加密推理内容迁移和解密来蒸馏模型能力的账号网络，7 月 24 日至 25 日相关请求达到 16,000 次，涉及超过 4,000 名用户和超过 15,000 个关联账号。

    推荐理由：文章把 OpenAI 的封禁措施与研究人员在 Azure 上复现攻击的结果对照，呈现同一模型在不同托管平台防护不一致的问题。

  3. Hacker News：AI 热帖76

    Google Gemini 4 Argon 发布：Artificial Analysis 智能指数追平 GPT-6 Astra

    Google DeepMind 推出 Gemini 4 Argon，目前正向部分用户灰度开放、尚未公开可用；它在 Artificial Analysis Intelligence Index 取得 53 分，追平 GPT-6 Astra，并领先 GPT-6.1 Sol 1 分。

    推荐理由：汇总了 Gemini 4 Argon 的智能指数、任务成本、智能体和幻觉率表现，可用于横向比较前沿模型的性价比。

  4. The Decoder81

    Google 发布 Gemini 4 Argon，评测追平 GPT-6 Astra 与 Claude Fable 5.1 但未取得明确领先

    Google 发布前沿模型 Gemini 4 Argon，先向 Fairwind 项目的可信网络防御者和内部团队开放，随后再面向付费 API 客户、Google AI Ultra 订阅者及更广泛用户推出，具体日期未定。

    推荐理由：文章汇总独立评测、定价与分阶段开放安排，可帮助读者比较 Gemini 4 Argon 与 OpenAI、Anthropic 前沿模型的实际位置。

  5. Hacker News：AI 热帖81

    Google 发布前沿模型 Gemini 4 Argon，面向编码、企业知识工作与网络安全防御

    Google 宣布新前沿模型 Gemini 4 Argon，将先通过 Fairwind Program 向受信任的网络防御者开放，并参与美国政府自愿的发布前模型访问流程，随后逐步面向付费 API 客户和 Google AI Ultra 订阅者推出。

    推荐理由：材料集中呈现了 Gemini 4 Argon 的定价、1M 输出 token、编码与安全评测结果，以及分阶段开放路径，便于读者了解其面向企业和开发者的能力边界。

  6. Google DeepMind82

    Google DeepMind 发布前沿模型 Gemini 4 Argon，输出上限提升至 1M tokens

    Google DeepMind 宣布前沿模型 Gemini 4 Argon，将先通过 Fairwind Program 面向可信网络防御者开放，并参与美国政府自愿的发布前模型访问流程，随后逐步面向付费 API 客户和 Google AI Ultra 订阅者推出。

    推荐理由：官方披露了 Gemini 4 Argon 的分阶段开放范围、API 定价和多项工程与企业任务评测结果，可用于了解其能力边界。

9月30日周三
  1. NVIDIA Blog65

    CoreWeave 在 CoreWeave Cloud 推出 NVIDIA Vera Rubin NVL72、Vera CPU 与 Forge 智能体开发环境

    CoreWeave 宣布在 CoreWeave Cloud 提供 NVIDIA Vera Rubin NVL72 系统，并搭配 Spectrum-X 102.4T Ethernet；Cognition 是首个在 Vera Rubin 上运行生产工作负载的客户。

    推荐理由：文章集中呈现 CoreWeave 对 Vera Rubin、Vera CPU 与 Forge 的落地安排，并给出 Cognition 早期推理测试数据，便于理解训练到生产闭环的基础设施组合。

  3. Hacker News：AI 热帖85

    Anthropic 发布 Claude Sonnet 5.5，Artificial Analysis 测得其智能指数 56 但单任务 token 用量最高

    Anthropic 推出 Claude Sonnet 5.5，Artificial Analysis 评测显示其 Intelligence Index 得分为 56，仅落后 Opus 5.5 (max) 2 分，max effort 较 Sonnet 5 提升 18 分。

    推荐理由：第三方评测同时呈现智能指数、token 消耗和单任务成本，可帮助读者判断 Sonnet 5.5 在高性能与实际费用之间的取舍。

  5. AWS Machine Learning Blog79

    GPT-6.1 Sol 在 Amazon Bedrock 正式可用

    GPT-6.1 Sol 已在 Amazon Bedrock 正式可用，面向智能体编码、电脑操作和高频专业工作负载提供更强推理。OpenAI 称其在 DeepSWE v1.1 上匹配 GPT-6 Astra，单任务成本约为五分之一，并较 GPT-6 Sol 最高分提高 6.4 个百分点。

    推荐理由：文章说明了 GPT-6.1 Sol 在 Amazon Bedrock 的可用性、智能体编码与文档工作流表现，以及企业部署所需的数据和权限控制。