推理模型相关 AI 资讯

7月9日

10:18

官方账号arXiv cs.LG@Chen Tang, Yizhou Wang, Jianyu Wu, Lintao Wang, Shixiang Tang, Pengze Li, Encheng Su, Jun Yao, Jiabei Xiao, Yuqi Shi, Jielan Li, Hongxia Hao, Zhangyang Gao, Fang Wu, Ben Fei, Xiangyu Yue, Pan Tan, Bozitao Zhong, Jinouwen Zhang, Aoran Wang, Yan Lu, Jiaheng Liu, Xinzhu Ma, Liang Hong, Mingyue Zheng, Phil Torr, Bowen Zhou, Wanli Ouyang, Lei Bai

精选

SciReasoner是一个多模态科学基础模型，通过统一的结构感知词汇表对蛋白质、小分子和无机晶体进行推理。在Gene Ontology预测中，对低同源性和孤儿样蛋白的Cellular Component注释Fmax从0.42提升至0.55。化学单步逆合成准确率从0.63升至0.72，并能生成片段级断键与前体验证轨迹。在86个基准中，SciReasoner在67个任务上达到SOTA，双盲专家评估认为其推理痕迹在98%案例中优于或可比于前沿大语言模型。

AI模型 SciReasoner 蛋白质小分子

推荐理由：这篇论文发布了SciReasoner，一个能同时处理蛋白质、小分子和晶体的推理模型，在67项基准上成绩最好，专家评价也很高。

原文

10:12

官方账号arXiv cs.LG@Vladislav Beliaev

Agon是一种竞争性跨模型强化学习方法，两个模型互为评分器，无需过程标签或奖励模型。在DeepMath硬数据集中使用Qwen3基准，Agon的pass@1达到GRPO的两倍。该方法通过交替角色训练，使模型逐步面对更强的对手。在Qwen3.5和Gemma 4等模型家族的编程代码任务上也验证了有效性。

论文 Agon Qwen3 Gemma 4

推荐理由：Agon让两个模型互相打分比赛，推理能力直接翻倍，比GRPO强一倍，而且完全不需要人工标注过程标签。

原文

10:08

Cognition@cognition_labs

Cognition 推出 SWE-1.7 模型，在多项基准测试中得分仅落后最强前沿模型几个百分点，但推理成本降低一个数量级。该模型推理速度达到 1000 tok/s，已开放使用。Cognition 通过改进强化学习配方，在扩展模型规模时持续获得性能提升。

AI模型 SWE-1.7 Cognition 推理模型

事件专题

推荐理由：Cognition 新模型 SWE-1.7 又快又便宜，性能只比顶尖模型差一点点，适合做低成本推理。

原文

09:54

官方账号arXiv cs.LG@Vladislav Beliaev

精选

AdaPrefix-GRPO针对GRPO在困难问题上梯度消失的问题，提出自适应调整正确前缀长度的机制。方法通过反馈控制器将问题的成功率维持在50%附近以最大化梯度信号，训练后完全移除前缀。在0.6B模型上，该方法在保留训练分布的难题上将准确率提升2.1倍；在Qwen3-1.7B上提升1.6倍，在AIME基准上提升1.7倍，同时将追踪长度减半。模型越小，增益越大。

论文 AdaPrefix-GRPO GRPO Qwen3

推荐理由：这篇论文解决了GRPO训练时难问题学不到东西的痛点，用自适应前缀让模型在数学推理上准确率翻倍，而且模型越小效果越明显，值得做强化学习的人看看。

原文

09:44

Cognition@cognition_labs

Cognition 推出 SWE-1.7 模型，基于 Kimi K2.7 基座并改进强化学习流程。其自研 FrontierCode 基准测试关注代码合并意愿，SWE-1.7 在该基准 Main 集上取得 42.3% 的分数，每个任务成本降至 1.97 美元，优化了成本-性能帕累托曲线。

AI模型 SWE-1.7 Kimi K2.7 Cognition

事件专题

推荐理由：Cognition 新模型 SWE-1.7 基于 Kimi K2.7 用强化学习改进，FrontierCode 基准上 42.3% 分且每任务仅 1.97 美元，性价比突出。

原文

09:41

Cognition@cognition_labs

73°

Cognition 发布 SWE-1.7 模型，现已集成到 Devin 的 Web、Desktop 和 CLI 端。该模型推理速度达到 1000 tok/s，并在博客中详述了训练运行、基础设施、数据流水线和长程行为优化。SWE-1.7 专注于软件工程任务，旨在提升 AI 编程助手的效率和稳定性。

AI模型 SWE-1.7 Devin Cognition

事件专题

推荐理由：Cognition 把 SWE-1.7 塞进 Devin，推理飙到 1000 tok/s，写代码更快了，可以试试。

原文

09:40

Cognition@cognition_labs

76°

Cognition 发布了 SWE-1.7 模型，该模型在 Devin 环境中训练，学会了在长周期任务中进行自我压缩。与之前的模型不同，SWE-1.7 在编辑前会花更多时间调查研究，这使它的思维链更长。但额外的思考导致模型作用域扩大，即接触的文件范围增加。Cognition 认为这是一个行业趋势——推理增强会伴随作用域膨胀，并计划改进这一点。

AI模型 SWE-1.7 Devin Cognition

事件专题

推荐理由：Cognition 用更长的训练让 SWE-1.7 学会先思考再动手，但代码改动的范围也变大了——这个权衡挺有意思，做 AI 编程助手的可以看看。

原文

09:36

官方一手arXiv: DeepSeek@Kabir Moghe, Peter Chin

精选

该研究使用开源模型DeepSeek V3.2（非推理模式）在严格预算下构建了智能体框架。提出的Explorer-Definer Pipeline将模式发现与程序合成分离，在ARC-AGI-1 400任务测试集上达到57.50% pass@2，每任务成本0.25美元。Reflective Orchestrator扩展了该流程，通过自主探索新变换，将准确率提升至67.25% pass@2，每任务成本0.62美元。该架构无需基准特定微调或大量测试时计算，将15.50%的零样本基线提升了约52个百分点。

论文 DeepSeek V3.2 ARC-AGI-1 智能体

推荐理由：开源模型DeepSeek V3.2套上智能体架构，在ARC推理任务上以不到1美元成本拿下67%准确率，比零样本强了50多个点，硬件开销很低。

原文

08:59

08:59IT之家（博客/媒体）

精选

腾讯混元于 7 月 6 日开源 Hy3 模型，该模型采用 MoE 架构，总参数 295B，激活参数 21B，最大支持 256K 上下文长度。7 月 8 日上午 10 时起，算力资源消耗达峰值，排队率一度超 50%。官方已第一时间调度资源完成扩容。Hy3 在推理、智能体、长上下文等任务上显著进步，效果比肩参数规模 2-5 倍的更大模型。

AI模型 Hy3 WorkBuddy 腾讯混元

推荐理由：腾讯开源了 Hy3，295B 参数只有 21B 激活，推理和智能体能力很强，还支持 256K 上下文，现在调用太多刚扩容完。

原文

08:57

08:57IT之家（博客/媒体）

75°

英伟达宣布其 Nemotron 3 Ultra 模型在 LangChain 的 Deep Agents 基准测试中取得开源模型最高准确率。该基准测试评估智能体系统的多步推理、工具调用和任务编排能力。调优后的 Nemotron 3 Ultra 每次推理成本仅为顶级闭源模型的 1/10，同时实现更高吞吐量。在业务任务能力上，该模型通过优化模型周围环境达到顶尖闭源模型水平。

AI模型 Nemotron 3 Ultra 英伟达 Deep Agents

事件专题

推荐理由：英伟达开源模型 Nemotron 3 Ultra 在智能体测试中准确率最高，成本只有闭源模型的十分之一，适合想低成本构建企业智能体的团队。

原文

08:53

@koltregaskes@koltregaskes

83°

MiniMax计划在Q3开源代号M3 Pro的模型，参数量达2.7T，是当前旗舰M3（428B参数）的6倍多。新模型在复杂推理和多步任务上有显著提升。由于规模巨大，M3 Pro仅适合在专业基础设施上运行，无法在消费级硬件上实时使用。开源权重可供社区实验、微调或蒸馏更小模型。

AI模型 MiniMax M3 Pro 开源模型

推荐理由：MiniMax要开源2.7T参数的巨模型，比M3大六倍多，专攻复杂推理。虽然本地跑不动，但开源权重让研究者能动手玩，看看中国厂商怎么卷。

原文

06:54

Poe@poe_platform

Grok 4.5 由 SpaceXAI 发布，已在 Poe 平台可用。该模型在推理能力、编程能力和长上下文处理上有显著提升，可处理复杂多步骤任务。它专门针对智能体任务和现实问题解决进行了优化。用户可在 poe.com/grok-4.5 直接体验。

AI模型 Grok 4.5 SpaceXAI 推理模型

推荐理由：Grok 4.5 在 Poe 上线了，推理和编程更强，适合搞复杂任务，赶紧试试。

原文

06:44

Aadit Sheth@aaditsh

76°

OpenAI 推出 GPT-Live，一种支持全双工语音交互的模型。在复杂问题上，它会自动委派给 GPT-5.5 处理。OpenAI 内部网络研究基准测试成绩从 0.7% 跃升至 75.2%。有用户接到餐厅确认电话时发现是 AI 并提问测试，AI 直接挂断，表明体验仍有瑕疵。

AI模型 GPT-Live OpenAI GPT-5.5

事件专题

推荐理由：OpenAI 出了 GPT-Live，能全双工对话还自动叫 GPT-5.5 帮忙算难题，但用户说聊着聊着被挂电话，距离完美还有段路。

原文

05:58

elvis@omarsar0

精选

Mitchell Hashimoto获得5.6/Sol早期访问约一个月，认为Sol更快、计划与判断能力与Fable相当，整体产出更好。他将Sol描述为有魅力、高效的同事，Fable则是天才但孤僻的专家。Fable在高度定向的调试、安全、性能任务上无对手，而Sol在其他所有方面更优或相当。

AI模型 Sol Fable Mitchell Hashimoto

推荐理由：Mitchell对比了Sol和Fable的实际体验，Sol默认更快更全面，Fable则在特定调试场景无敌，看谁更对你的需求。

原文

03:52

The Rundown AI@therundownai

SpaceXAI 与 Cursor 联合推出了集成 Grok 4.5 的新版本。Grok 4.5 在多个基准测试中表现出色，速度达到闪速级别。该模型强调高效能与低成本，定价具有竞争力。

AI模型 Grok 4.5 Cursor SpaceXAI

事件专题

推荐理由：SpaceXAI 和 Cursor 合作把 Grok 4.5 塞进工具里，速度快、还便宜，写代码或者跑推理可以试试。

原文

02:27

官方账号OpenAI@OpenAI

精选

OpenAI 宣布 GPT-Live 新增委托功能，可将需要网络搜索、深度推理或更复杂工作的请求交给最新前沿模型后台处理。处理完成后，结果会自动带回对话界面。该功能旨在降低用户手动切换模型的成本，提升复杂任务响应效率。

AI产品 GPT-Live OpenAI 智能体

事件专题

推荐理由：GPT-Live 能自动把复杂任务甩给更强的后台模型处理，你只管提问，结果自动回来，省心又高效。

原文

02:04

elvis@omarsar0

Cognition推出SWE-1.7模型，在多项基准上仅以几分之差落后于最强前沿模型，但成本仅为它们的一小部分。该模型推理速度达1000 tok/s，并基于强化学习训练持续取得性能提升。开源模型Kimi 2.7等也展现了类似能力，表明RL扩展尚未触及天花板。

AI模型 SWE-1.7 Cognition Kimi 2.7

事件专题

推荐理由：Cognition搞了个新模型SWE-1.7，成本低好几倍，性能却紧咬顶级模型，还跑得飞快，值得看看。

原文

00:52

宝玉@dotey

83°

Mitchell 在早期访问中对 GPT 5.6 Sol 和 Fable 进行了对比。他将 Sol 比作魅力十足、高效能干的同事，Fable 则是痴迷于特定领域的天才隐士。据 Mitchell 称，Sol 在速度和整体工作质量上优于 Fable，而 Fable 在针对性调试、安全和性能目标上无敌。他认为 Sol 在日常使用中更令人愉快，但 Fable 在高度定向任务中无对手。

AI模型 GPT 5.6 Sol Fable 推理模型

推荐理由：Mitchell 用同事和隐士的比喻讲透了两个模型的区别——日常编程选 Sol，底层安全调试选 Fable。

原文

00:34

官方账号Greg Brockman@gdb

OpenAI 的 GPT-5.6-Sol 模型经过两个多月在 Next.js 日常开发中的测试，表现出色。它能理解架构权衡、调查复杂 issue 报告，并在修复 bug 时考虑代码库其他部分。仅需简短提示即可指导，甚至独立完成了 Next.js 服务器的大规模重构（包括测试套件、部署测试）。相关 PR 将在 Next.js 16.3 发布后合并。

AI模型 GPT-5.6-Sol Next.js OpenAI

事件专题

推荐理由：OpenAI 的 GPT-5.6-Sol 不只是聊天，能直接干复杂编程活了，比如自己重构 Next.js 服务器。想看看模型实际生产力有多强？这篇实测值得看。

原文

00:29

AI Breakfast@AiBreakfast

Sam Altman 在推文中宣布 GPT-5.6 sol 将于本周四上线，引发业内对 Google 领先地位的讨论。GPT-5.6 是 OpenAI 最新推理模型版本，专注于提高复杂任务处理能力。目前 Google 的 Gemini 系列模型也在竞争中占据一定优势。该消息来自非官方账号 AiBreakfast，具体细节尚待确认。

AI模型 GPT-5.6 OpenAI Google

事件专题

推荐理由：Sam Altman 透露 GPT-5.6 sol 周四就来了，看 OpenAI 怎么跟 Google 较劲推理模型。

原文

7月8日

23:38

Harrison Chase@hwchase17

LangChain 创始人宣布周四将推出推理模型 gpt-5.6 sol。同时 OpenWiki 迎来重大更新，可自动为代码库创建 wiki 文档。该项目开源在 github.com/langchain-ai/o…，并配有网络研讨会详解。

AI模型 gpt-5.6 sol OpenWiki LangChain

推荐理由：来了，gpt-5.6 sol 推理模型和 OpenWiki 自动建 wiki 功能，周四一起上线，搞开发的不妨看看。

原文

18:37

向阳乔木@vista8

精选

腾讯发布Hy3模型，采用MoE架构，总参数295B，基于Apache 2.0协议开放商用。相比Preview版，正式版在推理、智能体、长上下文等任务上显著提升。模型虽小但能力已超过700B参数的GLM 5.1。目前Hy3已上线OpenRouter平台，两周内提供免费API使用。

AI模型 Hy3 腾讯 MoE

推荐理由：腾讯发了个295B的MoE模型Hy3，能力比700B的GLM 5.1还强，还开源可商用，这两周免费试用，值得试试。

原文

17:16

量子位@听雨

AI模型翁荔 Harness DeepSeek

推荐理由：翁荔给自进化指了条新路：先搭Harness。DeepSeek的崔添翼都说容易出成果，搞自进化的可以看看。

原文

16:56

16:56IT之家（博客/媒体）

稀宇科技 MiniMax 计划推出 2.7 万亿参数规模的新一代大模型，该模型尚未正式发布。此前于6月15日，MiniMax 开源了旗舰模型 M3，总参数 428B（4280 亿），激活参数 23B。M3 在编码与智能体评测中达到行业顶尖水平，具备自主任务拆解、工具调用与多步推理能力。MiniMax 已为超过 200 个国家和地区的 3 亿个人用户及 100 万企业客户提供服务。

AI模型 MiniMax 稀宇科技 M3

推荐理由：稀宇科技要推 2.7 万亿参数的大模型，比之前开源的 M3（428B）大了一个数量级，想了解国产模型天花板可以关注。

原文

14:17

Ethan Mollick@emollick

Sol 和 Fable 这两个新 AI 模型在智能水平上相比之前模型实现了大幅提升。它们与排名其后的最佳 AI 之间产生了显著性能差距。Ethan Mollick 认为，对于任何需要更高智能的任务，Sol 和 Fable 是目前仅有的两个选择。

AI模型 Sol Fable 推理模型

推荐理由：Mollick 说 Sol 和 Fable 比之前所有模型都强，甚至甩开了其他顶级 AI。做需要高智力的活，目前就选这俩。

原文

14:02

@koltregaskes@koltregaskes

88°

OpenAI 宣布 GPT-5.6 将于 7 月 9 日全球公测，但英国和欧盟可能延迟。该模型参数规模估计为 2-4T，新增 Ultracode 推理层级，并推出旗舰模型 Sol（对标 Opus/Fable）、高性价比 Terra（GPT-5.5 性能半价）及快速廉价版 Luna。Cerebras 变体支持 750 tokens/s 推理速度，Pro 版本或拥有 1M 上下文窗口，并针对前端开发优化。

AI模型 GPT-5.6 Sol Terra

事件专题

推荐理由：GPT-5.6 来了，参数 2-4T，带 Ultracode 推理层级，还有 Cerebras 版速度飙到 750 tokens/s。想试试新模型的可以关注了。

原文

12:00

ollama@ollama

Ollama 宣布其云服务为 GLM-5.2 模型在美国和欧洲扩增容量，高峰时段可保持 80-120 输出令牌每秒的速度，而其他提供商仅 30-40 tok/s。该服务支持通过 Claude Code、VS Code 的 Codex 以及 Hermes 等工具调用 GLM-5.2。目前用户可通过 ollama launch 命令直接使用这些集成。

AI产品 Ollama GLM-5.2 Claude Code

推荐理由：Ollama 把 GLM-5.2 的云推理速度拉到 80-120 tok/s，比别家快两倍多，还支持 VS Code 和 Claude Code 调用。

原文

11:31

官方一手arXiv: DeepSeek@Andrew Zhang, Chengzhan Li

论文提出 Agent Step Value (ASV) 框架，通过重放黑盒轨迹并用无状态 LLM 评估器打分，量化每一步的价值。在 100 道开放问答任务（使用 PubMed 实时检索和 DeepSeek 对数概率评分）上，ASV 评估了 1,100 次转移，结果显示熵移动为 0.000，平均贝叶斯惊讶为 2.693，表明信念近乎 one-hot 转折。在 128 个 token 的 rationale 条件下，平均黄金边际增益为 -2.335（95% CI [-3.395, -1.272]）；而直接用单 token 评分同一轨迹得到 +4.033。论文通过 100 次转移的组件审计追踪到反转源于短 rationale 对完整状态的覆盖。

论文 ASV Agent Step Value DeepSeek

推荐理由：这篇论文教你怎么用 ASV 框架来拆解 AI agent 每一步的决策价值，在开放问答任务上实测发现短 rationale 反而有害，做 agent 评估的必看。

原文

10:17

官方账号arXiv cs.AI@Taeyun Roh, Eunha Lee, Wonjune Jang, Sohyun Chung, Junha Jung, Jaewoo Kang

该研究为BioASQ 14b Task B提出了一个问答类型感知的LLM框架，针对yes/no、factoid和list三类问题分别设计推理流程。yes/no问题采用片段打乱与自反思；factoid问题使用全片段输入+思维链上下文学习；list问题采用多智能体协作架构。在官方评估中，该框架在Batch 4的factoid子任务中取得第一名。结果证明结合类型特定推理、集成预测与智能体验证可提升生物医学问答的鲁棒性。

AI模型 BioASQ 14b LLM管道问答系统

推荐理由：这个框架在BioASQ 14b比赛里factoid子任务拿了第一，针对不同问题类型用不同推理策略，很实用。

原文

10:17

官方账号arXiv cs.AI@Jihao Liu, Guoxiong Gao, Zeming Sun, Bin Wu, Shurui Liu, Jiedong Jiang, Haocheng Ju, Leheng Chen, Ronnie Cheng, Xiping Zhang, Bin Dong

Danus是一个基于事实图记忆的协调系统，旨在提升研究级数学推理能力。系统包含一个主智能体进行规划和协调，多个工作智能体并行执行证明搜索，以及一个无状态验证器检查数学主张。每个验证的事实连同证明和逻辑依赖存储在事实图中，构建递增的长期论证。在代数几何、奇点理论和组合学的六个研究级案例中，Danus成功生成长而详细的数学证明。

论文 Danus 数学推理智能体

推荐理由：看看Danus怎么用事实图记忆帮多个推理智能体协作解数学难题，还能和数学家互动。

原文

10:16

官方账号arXiv cs.AI@Hao He, Xueying Liu, Chris J. Kuhlman, Xinwei Deng

该论文提出一种实验设计框架，系统评估大型语言模型编程智能体（如Codex和Claude Code）的自主模型发现行为。作者控制实验因素包括推理努力程度、任务、优化指标和训练数据组成，并针对输出质量、美元成本、时钟时间和过程复杂性等响应进行回归分析。通过效用对齐的典型分解，量化推理努力效果的主导方向是否与性能-成本效用方向一致。研究在联网词汇游戏测试床上验证，揭示了推理努力与成本及过程复杂性的洞察。

论文 Codex Claude Code 智能体

推荐理由：这篇论文用严谨的实验方法分析了Codex和Claude Code在不同推理努力下的表现和成本，做AI研究的可以看看怎么评估智能体能力。

原文

09:54

官方账号arXiv cs.AI@He Liu, Changtao Miao, Xinjie Yang, Tianle Song, Yin Wu, Junchi Chen, Bintao He, Xinyuan Zhang, Bo Zhang, Shi Yan, Wei Lu, Wei Wang, Danyang Xu, Jiansheng Cai, Zhe Li

DT-Guard提出一种推理主动训练、推理自由推理的范式，在训练时使用推理监督，推理时只输出结构化安全标签。它采用意图-类别-安全的三步决策过程，并构建带意图标签、风险类别、安全标签和推理轨迹的数据集。通过Rollout-Guided Progressive Hard-Case Optimization (RG-PHO)提升硬样本鲁棒性。在提示侧和响应侧安全基准上，DT-Guard分别达到0.886和0.870的平均F1分数，4B参数版本取得0.878的双侧平均F1，超越多个8B基线。

AI模型 DT-Guard 安全护栏推理模型

推荐理由：想用轻量模型做好内容安全？DT-Guard靠训练时推理、运行时只打标签，4B就干掉8B的护栏，速度快还准。

原文

06:31