推理模型相关 AI 资讯

7月14日

10:36

Marc Andreessen@pmarca

GPT-5.6 成功解决了 Erdős #793 问题，这是一个关于两素数集（2-primitive sets）的数论难题，已困扰数学界超过 50 年。该成果由 Jared Duker Lichtman 验证并公布。GPT-5.6 展现出在数学推理领域的强大能力。

AI模型 GPT-5.6 推理模型数论

推荐理由：GPT-5.6 又解开了一个 50 年没人能搞定的数学题，数学推理能力真的强。

原文

09:48

09:48IT之家（博客/媒体）

AI模型 claude-opus-4-7-thinking claude-fable-5 Arena

事件专题

推荐理由：想快速了解本周最强AI模型？Arena周榜给出硬核排名：代码能力claude-opus-4-7-thinking超了claude-fable-5，国产qwen3.7也稳在Top20。

原文

09:23

官方账号arXiv cs.LG@Peizhuo Li, Emre Aksan, Alexandru-Eugen Ichim, Thabo Beeler, Olga Sorkine-Hornung

该论文提出一种无需重新训练的推理方法，通过温度采样（γ<1）和方差校正时间偏移来提升扩散模型的输出多样性。核心思想是：对分数进行γ缩放虽能重加权模式，但会膨胀每模式的方差；而在偏移的时间步查询网络并缩放分数，可抵消方差膨胀。在DiT、Stable Diffusion和Motion Diffusion模型上验证了该方法能一致提升多样性，同时保持样本质量和条件保真度。论文还发现时间干预时机可实现粗到细控制：高噪声阶段驱动跨模式的组合多样性，低噪声阶段驱动固定组合下的局部外观变化。

论文 DiT Stable Diffusion Motion Diffusion

推荐理由：想在不重训模型的情况下让扩散模型生成更多样化的结果？这篇论文给出了一个简单有效的技巧：温度采样配合时间偏移，在DiT、Stable Diffusion上都有效果。

原文

09:19

官方账号arXiv cs.LG@Sudipto Ghosh, Tanmoy Chakraborty

GRADE是一种分层多智能体系统，通过四个轻量级门控网络联合控制智能体选择、层次深度、智能体间通信和分支修剪。训练采用CoGRPO（协作组相对策略优化），无需批评网络，为参与rollout的每个门控和智能体分配共享优势信号。在平均约17B活跃参数下，GRADE在GSM8K、MMLUPro和GPQA上超越所有基线，其中在MMLUPro上以一半活跃计算量高出最强基线4.8个百分点。在AIME-2025上，GRADE与现有框架竞争力持平。消融实验表明层次结构和掩码交叉注意力是精度最大贡献者，且每个智能体的校准对安全热替换必要。

论文 GRADE CoGRPO 多智能体

推荐理由：GRADE用17B参数在MMLUPro上以一半计算量超基线4.8分，靠四个门控路由动态调深度，很实用。

原文

09:15

官方账号arXiv cs.LG@Keqin Peng, Chen Li, Yuanxin Ouyang, Yancheng Yuan, Liang Ding

本文发现On-Policy Self-Distillation (OPSD)在复杂推理任务中会导致“Thinking Collapse”，即模型中间推理行为（以epistemic-token密度衡量）显著下降。通过熵梯度分析和token级目标分解，确定该崩溃源于高熵决策点的激进教师梯度。提出自适应双视角OPSD (AD-OPSD)，通过冻结基础模型参考先验锚定高风险token。在多个数学基准（如GSM8K、MATH）上，AD-OPSD相比标准OPSD平均准确率提升最高达+4.1%。

论文 OPSD AD-OPSD Thinking Collapse

推荐理由：这篇论文把OPSD训练时模型思维崩溃的原因和解决方法都讲清楚了，AD-OPSD在数学题上能提4个点，做推理优化的值得看看。

原文

07:24

官方账号Greg Brockman@gdb

Przemek Chojecki 发推称 GPT-5.6 Sol Ultra 找到了 Erdős 问题 #793 的一个解法。该问题涉及 2-primitive 集的渐近性质。GPT 提出的构造极短且优雅，增强了 Erdős 原本用于证明较弱结果的方法。

AI模型 GPT-5.6 Sol Ultra 推理模型

推荐理由：GPT-5.6 Sol Ultra 又解了一个 Erdős 难题 #793，构造比原方法更短更优雅，数学推理让人眼前一亮。

原文

06:00

官方账号Clement Delangue@ClementDelangue

77°

Hugging Face 宣布 Transformers 模型现在可以直接在 vLLM 推理引擎中运行，达到原生速度，部分场景超越手写实现。此前，新模型架构需要在 Transformers（训练/研究）和 vLLM（生产推理）中分别实现，导致重复工作与维护成本。现在，模型作者只需在 Transformers 中实现一次，即可自动兼容 vLLM 的优化栈。在 4B 到 235B 参数模型的基准测试中，包括张量并行和 MoE 设置，Transformers 后端吞吐量匹配或超过原生 vLLM。

AI模型 Hugging Face Transformers vLLM

推荐理由：Hugging Face 把 Transformers 模型直接跑进 vLLM，性能不输手写，以后搞推理不用重复造轮子了。

原文

05:15

官方一手AWS Machine Learning Blog@Tanvi Girinath

73°

OpenAI 正式发布 GPT-5.6 系列三个模型 Sol、Terra 和 Luna，并已在 Amazon Bedrock 上全面可用。该系列是 OpenAI 迄今最智能的模型家族，针对高性能、安全性和可靠性优化。Amazon Bedrock 提供下一代推理引擎来运行这些模型。用户无需单独部署即可通过 Bedrock 调用 GPT-5.6 系列。

AI模型 GPT-5.6 OpenAI Amazon Bedrock

事件专题

推荐理由：OpenAI 最强模型 GPT-5.6 系列直接上架 AWS，现在在 Bedrock 就能用，省去自己部署的麻烦，三个版本各有特色，性能很强。

原文

02:18

官方账号LangChain@LangChainAI

精选

7月14日，LangChain的@bromann与Andrew Wong联合举办Webinar，演示如何构建会展示工作过程的Agent。该Agent实时输出工具调用和推理步骤，并引用Box的可信上下文。目标是消除黑盒猜测，提供有依据的回答。活动面向开发者，强调透明性和可信度。

技巧 LangChain Box 智能体

推荐理由：想学怎么让AI Agent不瞎猜、敢于展示推理过程？LangChain和Box的这场直播正好手把手教，还能看实时工具调用。

原文

02:17

官方账号vLLM@vllm_project

精选

Novita Labs 训练并开源了 DSpark 投机解码器，用于 Kimi-K2.6 和 Kimi-K2.7-Code 模型。DSpark 是 DeepSeek 提出的投机解码方法，能一次性生成整个 token 块。vLLM 从 v0.25.0 版本起原生支持 DSpark。使用该解码器可加快 Kimi 系列的推理速度。

AI模型 Kimi-K2.6 Kimi-K2.7-Code DSpark

推荐理由：DeepSeek 的 DSpark 投机解码，能让 Kimi-K2.6 和 K2.7-Code 一次生成整块 token，配合 vLLM 0.25.0 原生支持，解码更快。

原文

7月13日

19:33

Julien Chaumond@julien_c

这是作者在推文中对链式思维推理模型出现前AI发展阶段的个人回忆。推文未提供具体模型名、版本号、基准或数字。

行业 chain-of-thought 推理模型

推荐理由：一个小感慨，没有实质信息，适合无聊时看看。

原文

16:05

官方一手pandaily@contact@pandaily.com (Pandaily)

精选72°

腾讯发布混元Hy3模型，采用295B MoE架构，参数量达295B。该模型在OpenRouter上排名第8，超越了多个竞品。其Agent性能表现强劲，尤其在任务执行和工具调用方面有显著提升。训练流程经过重新设计，重点优化了数据质量和强化学习环节。

AI模型 Hunyuan Hy3 Tencent OpenRouter

推荐理由：腾讯新出的混元Hy3模型，295B参数，Agent能力很强，OpenRouter上排前8，感兴趣可以看看。

原文

11:17

官方账号Together AI@togethercompute

精选

GLM 5.2 模型在 Together AI 平台部署后，在 Artificial Analysis 评测中输出速度和延迟均获得第一名。该评测覆盖多个主流模型，GLM 5.2 在吞吐量和响应时间指标上表现领先。Together AI 通过优化推理栈使模型达到接近实时的生成速度。

AI模型 GLM 5.2 Together AI Artificial Analysis

推荐理由：GLM 5.2 在 Together AI 上跑出了最快速度和最低延迟，想用低成本跑推理的话可以去试试这个组合。

原文

10:43

官方账号arXiv cs.AI@Kaiji Zhou, Ales Leonardis, Yue Feng

Agora是一种新提出的框架，引入激励相容的拍卖机制，将推理步骤视为可交易物品，让专家模型和工具基于修正后的胜任度进行竞标，从而将关键逻辑分配给最合适的求解器。在五个基准测试上的评估显示，Agora在可比候选池下优于匹配的单模型、路由和级联基线。该框架通过单个拍卖参数实现可控的成本-质量权衡。

论文 Agora LLM Agent 拍卖机制

推荐理由：想提升LLM Agent推理效率？Agora用拍卖机制动态分配任务给专家模型，在五个基准上都比传统路由强，还能平衡成本和效果。

原文

09:17

官方账号arXiv cs.LG@Spiros Baxevanakis, Peng-Jian Yang

研究测试时扩展(TTS)是否适用于小规模开源视觉语言模型，使用EXAMS-V多语言视觉多项选择基准。实验对比self-consistency、describe-then-reason结合PRM引导束搜索等方法，基于Qwen2.5-VL-7B-Instruct和Qwen3.5-4B。关键因素是链的可解析性：提示格式导致链正确但不输出答案，加入答案提示和修复步骤后改善。每链token上限从1k升至2k恢复3.7个百分点，但增加链数从8到16仅提升0.15个百分点。PRM束搜索落后普通self-consistency 0.39个百分点且成本高8倍，最佳配置在ImageCLEF 2026测试集达84.1%并排名第一。

论文 Qwen2.5-VL-7B-Instruct Qwen3.5-4B EXAMS-V

推荐理由：这篇论文告诉你，在小模型上用测试时扩展，关键是让模型把答案写出来，而不是复杂搜索。Qwen2.5-VL调参后性价比很高。

原文

08:05

andrew chen@andrewchen

Andrew Chen预测消费级显卡2029年可运行Fable级别模型，依据是LLM知识压缩比约400:1，量化至4-bit后达1600:1。Densing Law显示模型能力每3.3个月翻倍，27B参数模型已接近几年前更大模型。当前27B参数量化版已能在32GB显存GPU运行，且每年效果提升。

AI模型消费级GPU Fable Densing Law

推荐理由：Andrew Chen用Densing Law和量化数据推测，消费级显卡跑顶级模型可能只需几年，感兴趣可以看看他的推导。

原文

7月12日

08:49

08:49IT之家（博客/媒体）

91°

OpenAI 于 7 月 10 日宣布，GPT-5.6 Sol Ultra 模型在不到 1 小时内生成了循环双覆盖猜想的完整证明。该猜想是图论领域悬而未决 50 多年的重要难题。证明步骤包括将原猜想归约为三次图问题、利用 8-流定理和 GF(3) 上的线性代数构造。整个证明由 AI 独立完成，但尚未经过正式同行评审，也未使用 Lean 等形式化验证工具。

AI模型 GPT-5.6 Sol Ultra OpenAI 循环双覆盖猜想

事件专题

推荐理由：OpenAI 的 GPT-5.6 Sol Ultra 只用一小时就搞定了一个困扰数学家 50 年的图论难题，用的是 64 个子智能体协作，比人类更有耐心反复试错。

原文

01:46

官方账号Decoder@Matthias Bastian

82°

OpenAI的GPT-5.6 Sol Ultra使用64个子智能体并行工作，在一小时内证明了图论中的Cycle Double Cover猜想。该猜想已悬而未决50年，被认为是图论领域的重要未解问题。数学家Thomas Bloom称该证明方法出人意料地初等，但批评其未引用已知的前期工作。这引发了关于AI是重组现有知识还是创造新知识的讨论。

AI模型 GPT-5.6 Sol Ultra OpenAI Cycle Double Cover猜想

事件专题

推荐理由：OpenAI的GPT-5.6 Sol Ultra一小时破解了困扰数学界50年的Cycle Double Cover猜想，虽被指引用不足，但效率惊人。

原文

01:20

官方账号Sam Altman@sama

83°

OpenAI发布GPT-5.6系列，在医疗任务中表现优于医生。最小变体GPT-5.6 Luna在最低推理努力下即超越GPT-5.5最高推理努力，成本降低25倍。最大变体GPT-5.6 Sol创下新标杆。研究收集了患者和临床医生两类任务，由专科医生花费无限时间并联网撰写回答，再由另一些医生盲评。在20000次轴评级（准确性、沟通、完整性、指令遵循、健康决策有用性）中，所有GPT-5.6变体在完美率上显著超过医生。

AI模型 GPT-5.6 OpenAI AI医疗

事件专题

推荐理由：OpenAI发了GPT-5.6，医生写回答都写不过它，成本还更低，医疗AI又进步了一大截

原文

7月11日

23:02

Ethan Mollick@emollick

用户将GPT-5.6 Sol模型通过Codex平台赋予电脑控制权，要求它赢得游戏Slay the Spire 2的每日挑战。该挑战包含随机化因子，无法通过预知方式作弊。模型连续工作了5个小时，自主做出复杂游戏决策，最终成功通关。此演示展示了AI在长时间自主任务中的决策能力。

AI模型 GPT-5.6 Sol Codex Slay the Spire 2

推荐理由：GPT-5.6 Sol在Codex里花了5小时自己打穿了Slay the Spire 2每日挑战，这自主性有点强啊。

原文

22:41

AI Will@FinanceYF5

精选

新测试对比了 GPT-5.6（Sol Ultra、Terra Ultra、Luna Max）和 GPT-5.5 xhigh 在 4 项 canvas 动画提示上的表现。在 macOS 'hello' 手写测试中，Sol Ultra 与 5.5 并列最佳。火球入水测试中，GPT-5.5 的蒸汽和气泡效果更真实。燃烧湿纸测试里，5.5 的火焰在水边停止、湿半页焦黑的表现更准确。ChatGPT 应用 UI 测试中，5.6 三大变体均正确遵循多步指令并逐字流式输出，而 5.5 跳过了流式。结论：5.6 在指令遵循和多步协调上明显更好，但原始物理直觉仍是 5.5 更强。

AI模型 GPT-5.6 GPT-5.5 OpenAI

事件专题

推荐理由：想知道 GPT-5.6 哪里比 5.5 强、哪里反而弱？这篇实测用四个具体动画场景拆给你看，不吹不黑。

原文

16:25

官方账号Greg Brockman@gdb

Box推出新型推理模型Sol，专为复杂推理与数据分析设计。Sol能分析数百页贷款交易文件，自动协调协议、财务、尽职调查和抵押品等材料中的条款。它会标记潜在风险点，并生成一份附带来源引用的分析报告保存至Box。该模型在文档密集型场景中大幅提升效率。

AI模型 Sol Box GPT-5.6

推荐理由：Box出了个叫Sol的模型，能一次读几百页贷款合同，自动比对条款找出矛盾，还帮你出带引用的报告，搞数据分析爽翻了。

原文

14:29

量子位@henry

GPT-5.6 通过 700 词 Prompt 调度 64 个子 Agent，在一小时内解开了悬而未决 50 年的数学猜想。该成果展示了大型语言模型在复杂推理和协作任务上的突破，子 Agent 架构可并行处理不同子问题。研究人员称，该方法不仅适用于数学，还可推广到科学发现和工程优化。

AI模型 GPT-5.6 推理模型智能体

推荐理由：GPT-5.6 用 700 词 Prompt 指挥 64 个小模型，一小时破解了数学家 50 年没解开的难题，推理能力强到离谱。

原文

11:02

岚叔@lufzzliz

用户LufzzLiz在X平台称赞Grok模型的输出速度和效率，认为这比纯能力更重要。他预测如果Grok保持当前效率，未来有望达到Opus 4.6级别的能力。这条推文引发了对模型输出效率的关注。

AI模型 Grok 输出效率推理模型

推荐理由：有用户说Grok速度超快，效率拉满，未来可能媲美Opus 4.6，想看看它到底有多强？

原文

09:31

官方账号Greg Brockman@gdb

OpenAI推出GPT-5.6，重点面向健康智能领域。GPT-5.6系列在整体性能提升的同时降低了成本。其中GPT-5.6 Luna在最高推理设置下超越GPT-5.5，但成本仅为后者的1/25。该模型使更多用户能够使用先进AI。

AI模型 GPT-5.6 GPT-5.6 Luna OpenAI

事件专题

推荐理由：OpenAI的GPT-5.6健康智能版来了，Luna比上一代强还便宜25倍，这波升级很实在。

原文

09:22

09:22SuperTechFans（博客/媒体）

92°

GPT-5.6 Sol 在 Agents' Last Exam 上得分 53.6，领先 Claude Fable 5 达 13.1 分。中等推理模式下仅用约四分之一成本即领先 11.4 分。Terra 和 Luna 以约十六分之一成本超越 Fable 5。在 Artificial Analysis Coding Agent Index 上 Sol 取得 80 分，领先 Fable 5 2.8 分，token 和成本大幅降低。新推出 ultra 模式默认协调四个智能体并行工作，提升浏览和证券基准表现。安全方面经过广泛红队测试和自动化评估。

AI模型 GPT-5.6 OpenAI Claude Fable 5

事件专题

推荐理由：OpenAI 刚发了 GPT-5.6，三个型号性能都爆表，尤其 Sol 在编码和推理测试里吊打 Claude Fable 5，成本还低很多，编程和复杂任务都更强了。

原文

05:37

官方账号OpenAI@OpenAI

OpenAI 发布 GPT-5.6，聚焦健康智能领域。其中 GPT-5.6 Luna 在最高推理设置下性能超越 GPT-5.5。同时推理成本降低 25 倍。这些改进旨在提升模型质量并降低使用门槛，让更多人能够用上先进模型。

AI模型 GPT-5.6 GPT-5.6 Luna OpenAI

事件专题

推荐理由：OpenAI 新出的 GPT-5.6 Luna 性能比 GPT-5.5 强，还便宜 25 倍，搞健康智能的可以看看。

原文

04:52

官方账号Greg Brockman@gdb

Ethan Knight宣布GPT-5.6 Sol Ultra在64个子智能体协作下，仅用不到1小时就证明了50年未解的Cycle Double Cover Conjecture。该猜想是图论中的经典问题，此前无人能解。团队公开了提示词和完整证明过程，展示了大规模智能体协同推理的潜力。

AI模型 Sol Ultra GPT-5.6 智能体

推荐理由：Sol Ultra刚发布就搞定了困扰数学界50年的猜想，64个AI一起发力，效率惊人。想看看提示词和证明？直接去翻原文。

原文

04:32

官方一手@OpenAIDevs@OpenAIDevs

精选

GPT-5.6 在 SnorkelAI 的 Ankit Aich 测试中，独立完成了一个近 1000 行的复杂编码任务，无需反复提示或人工介入。该模型从编写到调试全程自主处理，展示了长上下文和复杂推理能力。测试结果在 OpenAI 开发者官方账号发布，获得 170 点赞和 20534 次查看。

AI模型 GPT-5.6 OpenAI 编程助手

事件专题

推荐理由：OpenAI 的 GPT-5.6 能独立啃下近千行代码，不用你一步步教，编程助手又进化了。

原文

04:03

官方账号Simon Willison@simonw

GPT-5.6 提供了多种模型和推理努力等级，用户常困惑如何选择。据测试，Sol medium 在编程任务上优于 5.5 xhigh。更高的推理等级（Sol 系列）能带来更佳性能，但会快速消耗限额。开发者正在改进沟通方式。

技巧 GPT-5.6 Sol 推理模型

推荐理由：如果你用 GPT-5.6 写代码，可以试试 Sol medium，比 5.5 xhigh 更好用，别被复杂的选项吓到。

原文

02:08

官方账号Decoder@Matthias Bastian

GPT-5.6 Sol提供从 Light 到 xhigh 的五个推理层级，并新增 Max 和 Ultra 模式，可并行调用多个子智能体。OpenAI 员工 Vaibhav Srivastav 建议用户从低层级开始，仅在必要时才升级推理强度。不同层级分别适用于简单问答、复杂逻辑分析、多步规划等不同复杂度任务。

AI模型 GPT-5.6 Sol OpenAI 推理模型

事件专题

推荐理由：OpenAI员工亲自教你怎么选GPT-5.6 Sol的推理强度，从Light到xhigh再到Ultra，避免浪费算力。

原文

01:02

elvis@omarsar0

用户 Omar 在推文中称赞 GPT-5.6 在验证、建议以及高级编排（orchestrator）能力上表现出色，认为它目前表现最佳。该模型展现出超越预期的协调整合能力，适合复杂任务场景。

AI模型 GPT-5.6 OpenAI 推理模型

事件专题

推荐理由：OpenAI 的 GPT-5.6 在验证和编排上很能打，当高级协调器用效果惊艳。

原文

7月10日

18:59

Hunyuan@TXhunyuan

精选73°

腾讯推出了Hy3模型，这是一个295B参数的MoE架构，但仅21B参数被激活，因此推理成本极低。该模型提供256K上下文窗口，采用Apache 2.0许可开源。在OpenRouter上，输入tokens定价为0.14美元/百万，输出tokens为0.58美元/百万。尽管GLM-5.1模型比Hy3大2.5倍，但Hy3在基准测试中表现更优。Hy3还具备编程和智能体能力。

AI模型 Hy3 Tencent GLM-5.1

推荐理由：腾讯新出的Hy3模型，295B参数却只要21B激活，价格便宜还比GLM-5.1强，写代码做分析报告真香。

原文

18:07

shao__meng@shao__meng

精选

OpenAI 发布了 GPT-5.6 的三个模型：gpt-5.6-sol（旗舰）、gpt-5.6-terra（平衡）和 gpt-5.6-luna（高吞吐）。每个模型支持 5 种推理强度（Light、Medium、High、Extra High、Ultra）和 2 种速度（Standard、Fast），共 30 种搭配。官方建议用户使用 GPT-5.6 时保持与之前版本相同的推理强度或降低一档。在提示词优化上，将冗长系统提示词缩减为精炼版本后，评测分数提升约 10%–15%，token 减少 41%–66%，成本降低 33%–67%。文档还强调，GPT-5.6 更主动，需明确权限边界，区分回答、修改、外部写入等操作。

技巧 GPT-5.6 Sol Terra

事件专题

推荐理由：OpenAI 出了 GPT-5.6 的官方使用指南，教你怎么选模型、强度和速度，还有省 token 的提词技巧，比老版本更灵活。

原文

15:51

官方账号Greg Brockman@gdb

78°

GPT-5.6 with Work IQ 已上线微软 Copilot Chat、Cowork、M365 应用、GitHub 和 Foundry。该模型支持多步骤智能体工作、分析与内容创作，带来更强的推理能力和更高质量的输出，同时保持效率。Satya Nadella 在推特上确认了这一集成。

AI模型 GPT-5.6 Work IQ Microsoft Copilot

事件专题

推荐理由：GPT-5.6 来了，带着 Work IQ 直接进微软全家桶，Copilot、GitHub 都能用，推理更强还支持多步智能体任务，赶紧试试。

原文

12:56

AI Will@FinanceYF5

86°

GPT-5.6 Sol 在 Agents' Last Exam 测试中得分 53.6，比 Claude Fable 5（adaptive）高出 13.1 分。在中等推理强度下，GPT-5.6 Sol 仍比 Fable 5 高出 11.4 分，预估成本约为后者的四分之一。GPT-5.6 Terra 和 Luna 版本也在约十六分之一成本下超过 Fable 5。

AI模型 GPT-5.6 Claude Fable 5 Agents' Last Exam

事件专题

推荐理由：OpenAI 的 GPT-5.6 新系列在智能体考试中大幅领先 Claude Fable 5，成本还低很多，值得看看。

原文

12:52

AI Will@FinanceYF5

89°

OpenAI 宣布推出 GPT-5.6 Sol，在代码、知识工作、网络安全和科学任务上达到领先表现。该模型在多项基准中实现了更高准确率，同时使用更少 Token 并降低推理成本。GPT-5.6 Sol 的定价较前代版本下降约 30%，继续推动大模型效率提升。

AI模型 GPT-5.6 Sol OpenAI 推理模型

事件专题

推荐理由：OpenAI 发了 GPT-5.6 Sol，智能更强还更省 Token，跑代码写论文都比以前快还便宜。

原文

12:21

AI Will@FinanceYF5

Fable 5模型接收一串首字母“iattfloewitsaiwytgwiw”，成功还原出用户意图：“我正在输入这句话里每个单词的首字母，并且想让你猜猜我写的是什么。”该演示展示了模型在仅有首字母信息时的逻辑推理与语言补全能力。此前未见其他AI模型公开进行类似测试。

AI模型 Fable 5 推理模型首字母推理

事件专题

推荐理由：Fable 5能根据首字母猜整句话，像玩文字谜题一样，展示了它的推理能力，和别的模型比这种玩法挺新鲜。

原文

12:19

官方账号arXiv cs.AI@Xinyan Chen, Ziyu Guo, Renrui Zhang, Dongzhi Jiang, Hongsheng Li

OpenCoF 是一个包含 OpenCoF-17K 数据集和 Wan-CoF 模型的推理框架，覆盖 11 个任务家族。在 4 个视频推理基准上，Wan-CoF 相比 Wan2.2-I2V-A14B 基线取得显著提升。模型引入视觉和文本推理 token，分别捕捉低级视觉线索和高级语义先验。实验通过注意力分析探讨了这些 token 在不同深度、去噪步骤、空间和时间上的贡献。

论文 OpenCoF Wan2.2-I2V-A14B 视频生成

推荐理由：这篇论文用视频帧序列做推理，比传统的思维链更直观。他们把 Wan2.2 模型微调成 Wan-CoF，在多个基准上分数更高，还开源了数据集和代码。

原文

12:12

官方账号arXiv cs.AI@Baha Rababah, Cuneyt Gurcan Akcora, Carson K. Leung

该论文提出了正确性一致性（correctness agreement）指标，用于衡量基础模型与量化变体在正确预测上的重叠程度。在8-bit至2-bit的多种量化方案下，发现即使任务性能看似保持，中等量化也会导致行为分歧。分析表明查询和键投影的敏感性高于值和输出投影，揭示了低比特宽度的非线性断点。这些发现指出仅依赖准确率和困惑度会掩盖量化的真实影响。

论文 LLM 量化模型评估

推荐理由：这篇论文用新指标发现，量化后的模型即使分数不变，行为也可能跑偏，搞模型部署的同学建议看看。

原文