推理模型相关 AI 资讯

7月6日

11:36

小互@imxiaohu

作者分享了与Claude Fable 5合作的技巧，强调用户需先识别自己的知识盲区。该方法通过结构化提问，引导Claude Fable 5在代码、逻辑等领域针对性输出。实践表明，明确未知点后，Claude Fable 5的响应效率提升约40%，错误率降低30%。文章以实际案例说明如何用Claude Fable 5排查复杂问题，适合编程和推理场景。

技巧 Claude Fable 5 提示词工程推理模型

事件专题

推荐理由：教你怎么用Claude Fable 5高效干活，先找准自己的盲点再问问题，比直接瞎问靠谱多了。

原文

11:25

Stanford AI Lab@StanfordAILab

精选

斯坦福团队在ICML 2026论文中发现，LLMs预测其他模型输出的准确率高于预测事实。当所有模型都预测错误时，投票法无法恢复正确答案。自我一致性（多次采样并验证）在数学和代码领域效果良好，但在无验证器的领域无法扩展真实性。论文标题为'Truthfulness Does Not Scale Like Reasoning'。

论文 LLM 真实性 AI安全

推荐理由：斯坦福发了篇ICML论文，说LLMs猜别的模型比猜事实还准，但一起翻车时投票也救不了。想看懂它们为啥集体犯傻？看这篇。

原文

10:34

10:34IT之家（博客/媒体）

77°

美团今日开源万亿参数大模型 LongCat-2.0，总参数 1.6T，平均激活约 48B，专为 Agentic Coding 任务设计。架构引入 LongCat 稀疏注意力与 N-gram Embedding，提升长上下文处理与 token 表示。作为业界首个在五万卡国产算力集群上完成推理的万亿参数模型，同步开源针对国产芯片的推理代码。提供 BF16、FP8、INT8 等多精度版本，覆盖不同算力部署需求。

AI模型 LongCat-2.0 美团开源模型

事件专题

推荐理由：美团开源了1.6T参数的LongCat-2.0，专做Agentic Coding，还附赠了国产推理代码，存量卡也能跑，挺实在。

原文

05:27

官方一手marktechpost@Asif Razzaq

美团发布LongCat-2.0，总参数量1.6万亿，每个token激活约480亿参数。模型原生支持100万token上下文，采用LongCat稀疏注意力机制。训练与推理均在国内AI ASIC超算集群上完成。该模型开源，API已开放访问。

AI模型 LongCat-2.0 Meituan 开源模型

事件专题

推荐理由：美团开源了1.6T参数的LongCat-2.0，激活参数480亿，原生支持100万token上下文，国内ASIC集群跑出来的，值得关注。

原文

7月5日

08:34

AI Will@FinanceYF5

用户 Nicolas Bustamante 测试 Claude Fable 5，发现该模型能根据模糊提示一次性生成逼真的埃菲尔铁塔代码。他多次评估后认为 Fable 5 是特殊模型，擅长从模糊描述完成一次生成。该模型在代码生成任务中表现出色。

AI模型 Claude Fable 5 Anthropic 编程助手

事件专题

推荐理由：Anthropic 的 Claude Fable 5 回来了，能从一句话就写出埃菲尔铁塔代码，一次成型不用改，写代码神器。

原文

03:03

lmarena.ai@lmarena_ai

Fable 5模型重回LMSys Chatbot Arena，官方发布了一段蒙太奇视频，展示多个测试prompts。用户可以在Battle Mode和Agent Mode中直接体验该模型。官方排行榜分数即将公布，供社区参考。

AI模型 Fable 5 Arena Battle Mode

事件专题

推荐理由：Fable 5又回Arena了，还加了Agent模式，想自己动手测测看？直接去Battle Mode里玩，官方排名马上出。

原文

02:01

cat@_catwu

Claude Fable 5 在无需用户提示的情况下，自动选用倾向评分匹配（propensity score matching）来对齐用户活跃度，完成留存分析。该模型在 Cowork 中编写邮件和文档时也展现了更强的判断力。Claude Code 的复杂错误调试能力同样获得提升。用户实测表明 Fable 5 在多个任务中自主选择合适方法的能力显著增强。

AI模型 Claude Fable 5 Claude 推理模型

事件专题

推荐理由：用户实测发现 Claude Fable 5 能自己认出该用倾向评分匹配做留存分析，写文档改代码都更聪明了，省心很多。

原文

7月4日

21:56

AI Will@FinanceYF5

精选

本教程教你如何在 Claude Code 中将模型设为 Fable 5，并开启 Max 推理模式。通过指示 Claude 运行动态工作流，让 Fable 5 充当编排者（orchestrator），Opus 负责推理重阶段。这样可以避免频繁触及使用限制，同时最大化利用 Fable 5 的调度能力。适用于需要高效分配模型资源的任务场景。

技巧 Fable 5 Claude Code Opus

事件专题

推荐理由：想省限额又发挥 Fable 5 的调度能力？让 Fable 5 当大脑、Opus 干活，效率拉满。

原文

02:03

elvis@omarsar0

OpenAI 计划于 7 月 7-9 日窗口内发布 GPT-5.6，最早可能 7 月 7 日上线，目标吸引因 Fable 5 限制而离开 Claude 的用户。GPT-5.6 的使用配额将比 Fable 5 更慷慨，并会推出更激进的安全措施但不及 Fable 严格。DeepMind 将 Gemini 3.5 Pro 发布时间改为 7 月 17 日，并进行了新预训练（不再基于 2.5 Pro）。此外，基于 3.5 Pro 的 Nano Banana Pro 模型正在开发中，预计将与 GPT-Image 1 竞争。

AI模型 GPT-5.6 OpenAI Gemini 3.5 Pro

事件专题

推荐理由：OpenAI 下周可能发 GPT-5.6，配额更宽松，专门抢 Claude 用户。同时 Gemini 3.5 Pro 也跳票到 7 月 17 日。想了解前沿模型动态的可以关注。

原文

7月3日

18:04

@koltregaskes@koltregaskes

73°

AISI在测试前沿模型时，将推理计算预算从250万token提高到5000万token，模型的时间跨度从40分钟跃升至4小时。在网络安全、软件工程和数学基准上，模型性能随token预算增加而持续提升，8%的任务仅在1000万token以上才被解决。新模型更能有效利用额外计算资源，前沿模型的加倍率在高预算下陡增60%。标准评估因在模型性能还未饱和前就限制计算量，系统性低估了模型能力，固定预算的得分会遗漏大量提升。

AI模型 AISI 推理模型基准测试

事件专题

推荐理由：AISI用更高的token预算测试模型，发现性能远超标准评测——8%的任务需要千万级token才能解决，前沿模型能力被低估了。

原文

16:13

AI Will@FinanceYF5

AI/ML API 对比了 Sonnet 5 和 Fable 5 在生成 3D 地球可视化 HTML 文件时的表现。两个模型使用相同提示词和真实航班数据集（70个机场、435条航线）。Sonnet 5 耗用 9.8k tokens，成本 $0.10，但只绘出暗线框和漂浮弧线，地球本身几乎不可见。Fable 5 耗用 15k tokens，成本 $0.77，生成带纹理海洋、冰盖和大气光的地球效果。Sonnet 5 成本低 87%，但视觉质量远不及 Fable 5。

AI模型 Sonnet 5 Fable 5 AI/ML API

事件专题

推荐理由：AI/ML API 实测了 Sonnet 5 和 Fable 5 做3D地球生成，Sonnet省87%钱但只有线框，Fable效果惊艳但贵。选模型前先看这对比。

原文

15:09

AI Will@FinanceYF5

71°

BridgeMind对Claude Fable 5（7月1日版本）在BridgeBench上重新测试，发现调试得分从86.2降至25.9，重构得分从73.6降至38.4，幻觉得分从75.9降至61.7。新护栏导致过多任务回退到Opus 4.8。用户质疑该模型与最初被禁用的版本不同。

AI模型 Claude Fable 5 BridgeBench Anthropic

事件专题

推荐理由：Claude Fable 5新版被砍了，调试分从86掉到26，重构分从73掉到38，你该看看这个评测。

原文

12:42

Ethan Mollick@emollick

Ethan Mollick指出，缺乏可验证域（如数学、编程）使模型训练困难，但模型在非可验证域（如创意、策略）的表现持续提升。前沿能力的“崎岖度”低于单纯基于可验证性预期的程度，表明泛化能力增强。这一观察基于对多种推理模型在开放式任务上的表现分析。

AI模型推理模型模型能力评估泛化能力

推荐理由：Mollick发现，AI在创意推理这类没法打分任务上的进步比想象中大，前沿没那么崎岖。

原文

11:54

官方账号arXiv cs.AI@Wentao Zhang, Liliana Hotsko, Woojeong Kim, Pengyu Nie, Stuart Shieber, Yuntian Deng

精选

PAW（Program-as-Weights）提出一种模糊函数编程范式，将自然语言规范编译为紧凑的本地可执行神经构件。一个4B编译器在FuzzyBench（1000万示例）上训练，为冻结的0.6B Qwen3解释器生成参数高效适配器。该解释器执行PAW程序，性能匹配直接提示Qwen3-32B，但推理内存仅为其1/50，在MacBook M3上达30 tokens/s。PAW将基础模型从逐输入求解器转变为可复用小工具构建器。

AI模型 PAW Qwen3 FuzzyBench

推荐理由：PAW让模糊函数（如日志告警、修复JSON）不再依赖大模型API。用4B编译器一次编译，0.6B小模型就能跑出32B的效果，还省内存和算力。

原文

11:52

官方账号arXiv cs.AI@Yanjun Zhao, Ruizhong Qiu, Tianxin Wei, Yuanchen Bei, Zhining Liu, Lingjie Chen, Ismini Lourentzou, Hanghang Tong, Jingrui He

ReContext是一种无需训练的长上下文推理方法，通过模型内部相关性信号构建证据池并在生成前重放。该方法在8个长上下文数据集上测试，上下文长度达128K。实验表明，ReContext在Qwen3-4B、Qwen3-8B和Llama3-8B三个模型上均提升了证据利用率，平均排名最优。

AI模型 ReContext Qwen3 Llama3

推荐理由：ReContext不用训练就能让模型用上长文里的关键信息，Qwen3和Llama3上都有效，适合处理超长文档推理。

原文

11:49

官方账号arXiv cs.AI@Yuxuan Li, Lingxi Xie, Xinyue Huo, Jihao Qiu, Jiacheng Shao, Pengfei Chen, Jiannan Ge, Kaiwen Duan, Qi Tian

研究者发布了DramaSR-532K基准，包含53.2万条带注释对话和900多个角色，需整合听觉、语言和视觉线索。他们提出DramaSR-LRM方法，基于大型推理模型(LRM)，通过多模态工具自主聚合上下文证据。在短话语上，DramaSR-LRM显著优于现有基线，因为声学生物特征在这些场景中不可靠。数据和代码将公开。

论文 DramaSR-532K DramaSR-LRM 推理模型

推荐理由：一篇论文用推理模型做说话人识别，还建了个53万条对话的新基准，短话识别效果比现有方法强不少。

原文

11:48

官方账号arXiv cs.AI@Yunhe Li, Hao Shi, Wenhao Liu, Mengzhe Ruan, Hanxu Hou, Zhongxiang Dai, Shuang Qiu, Linqi Song

DemoPSD是一种新的策略自蒸馏框架，用于训练大语言模型推理。它通过选择性采纳教师指导，构建反向KL重心的目标分布，自动平衡教师学习与学生自身推理能力的保持。理论证明该框架能有效缓解特权信息泄露并保留探索能力。在SciKnowEval的四个科学领域上，DemoPSD的表现优于GRPO和SDPO，并在跨分布GPQA基准上展现出强泛化性。

论文 DemoPSD 策略自蒸馏推理模型

推荐理由：这篇论文提出了DemoPSD，通过分歧调节蒸馏过程，比GRPO和SDPO在科学推理上更强，还能防止模型学到测试时无效的捷径。

原文

10:30

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

中国科学院软件研究所研发了 Reasoning Lens 系统，能够实时可视化并诊断大模型的推理链。该系统将隐藏的中间思考步骤转化为可解读的图表，帮助开发者定位逻辑错误。在测试中，Reasoning Lens 识别了多个模型在复杂推理任务中的中间错误节点。该工具旨在提升模型透明度，缓解部署中的可解释性压力。

AI产品 Reasoning Lens 可解释AI 推理模型

推荐理由：中科院出了个 Reasoning Lens，能直接看 AI 怎么‘想’，找逻辑漏洞，搞模型可解释性的人有福了。

原文

09:19

官方账号arXiv cs.LG@Zhanming Shen, Jintao Tong, Shaotian Yan, Chen Shen, Hao Chen, Wentao Ye, Xiaomeng Hu, Rui Miao, Haobo Wang, Junbo Zhao, Gang Chen, Jieping Ye

研究发现在线自蒸馏(OPSD)在长思维链推理模型上效果有限且破坏推理稳定性。通过分解教师监督信号，发现参考导致的成分驱动死记硬背，而可迁移的问题条件成分被忽略。提出两步解法：首先构建仅参考教师以隔离不可迁移成分，再用点互信息(PMI)过滤掉参考捷径。在4个长思维链模型和2个数据集上，该方法相比基线和标准OPSD均取得一致改进。

论文 OPSD long-CoT self-distillation

推荐理由：这篇论文解决了OPSD在长推理模型上越蒸馏越笨的问题，用PMI过滤器保留思考能力，值得做推理优化的朋友看看。

原文

08:00

lmarena.ai@lmarena_ai

精选

Arena.ai 收集了 Claude Fable 5 重新部署前后在 Text、Vision、Document、Code 和 Agent 五个 Arena 的数千投票，结果显示得分基本一致。Fable 5 在 Text、Document、Vision 和 Code Arena: Frontend 仍处前沿，Frontend 约 20 分下降在置信区间内。Agent Arena 中 Fable 5 曾排名第一，该评测基于数百万真实任务，使用因果追踪衡量模型表现。

AI模型 Fable 5 Anthropic Agent Arena

事件专题

推荐理由：Fable 5 重部署后各维度表现稳定，Agent 依旧最强，前端小幅波动属正常。想看前沿模型对比可以关注。

原文

04:51

官方账号LMSYS Org (SGLang)@lmsysorg

精选

SGLang团队发布博客，介绍如何将基准测试、性能分析和内核优化知识转化为可执行的Agent技能。通过allreduce融合，Qwen3-Next吞吐量提升71.4%，TTFT从456ms降至168ms。路由token化去重使长上下文提示的TTFT降低29-49%。Spectral Progressive Diffusion实现2.32倍扩散去噪加速；KDA-Pilot在10个B200内核任务上获得1.13-2.75倍加速，3个PR已合并。LTX-2 VAE解码加速1.41倍，峰值内存节省9.7 GiB，所有改进均通过严格验证。

AI模型 SGLang Qwen3-Next 智能体

推荐理由：SGLang团队用Agent自动化优化推理管道，实测吞吐涨71%，TTFT砍半，还省了10GB显存，硬核经验值得看。

原文

00:25

lmarena.ai@lmarena_ai

Claude Sonnet 5 (Thinking) 在 Text Arena 中整体文本排名第32位。在专家级提示（Expert-level prompts）上，Sonnet 5 超越了上一代版本4.6。在数学、写作、文学与语言、生命/物理/社会科学类别中表现稳定，但大多数其他类别的排名出现下降。

AI模型 Claude Sonnet 5 Anthropic 文本排名

事件专题

推荐理由：想对比 Claude Sonnet 5 和 4.6 的文本能力？这份分析告诉你它在专家级提示上更强，但其他类别反而差了。

原文

00:23

官方账号Decoder@Matthias Bastian

精选73°

Anthropic将Claude Code的系统提示削减了80%。员工Tariq Shihipar表示，新的Fable 5模型需要更少的指令和示例，指南甚至可能限制模型，因为它们“比给定的更富想象力”。Anthropic现在通过上下文而非严格规则来引导模型行为。

AI模型 Claude Code Fable 5 Anthropic

事件专题

推荐理由：Anthropic发现Claude Code的新模型Fable 5太聪明，系统提示反而碍事，直接砍掉80%。

原文

00:20

lmarena.ai@lmarena_ai

74°

Claude Sonnet 5 (Thinking) 在 Code Arena: Frontend 中排名第6，较前代 Sonnet 4.6 得分提高 29 分，并领先 Opus 4.6 (Thinking) 9 分。该模型在 Document Arena 排名第11，Search Arena 第17，Vision Arena 第21，Text Arena 第32。Anthropic 称其为最具代理能力的 Sonnet，可自主使用浏览器和终端等工具。

AI模型 Claude Sonnet 5 Anthropic Code Arena

事件专题

推荐理由：Anthropic 的 Claude Sonnet 5 写前端代码得分比上代高 29，还超过 Opus 4.6。搞前端的可以试试它的自主编程能力。

原文

7月2日

23:30

官方账号LMSYS Org (SGLang)@lmsysorg

Laguna XS 2.1是poolside推出的33B总参数MoE模型，专为agentic coding和长时任务设计，已获SGLang Day-0支持。模型采用混合SWA+全局注意力（40层中3:1比例）与sigmoid门控，支持FP8 KV缓存和262K上下文，可在36GB RAM的Mac上运行。在SWE-bench Verified上达到70.9%，SWE-bench Multilingual相比XS 2提升5.4%。

AI模型 Laguna XS 2.1 poolside SGLang

推荐理由：poolside新出的Laguna XS 2.1，33B MoE专为编程智能体设计，SWE-bench 70.9%还支持Mac本地跑，值得编程党试试

原文

23:29

官方账号LMSYS Org (SGLang)@lmsysorg

76°

NVIDIA推出Qwen3.6-27B-NVFP4模型，采用4位浮点量化，模型大小仅为BF16版本的约1/2.5。该模型在MMLU Pro基准上达到86.3分，与FP8版本性能几乎无损。上下文长度完整保留262K。SGLang已提供Day-0支持，并附带cookbook。

AI模型 Qwen3.6-27B-NVFP4 NVIDIA SGLang

事件专题

推荐理由：NVIDIA新出的Qwen3.6-27B模型，4位量化体积小很多但精度没怎么降，SGLang直接就能用，可以去试试。

原文

18:20

shao__meng@shao__meng

一条推文提及GPT-5.6 Sol Ultra即将到来，引发部分开发者调侃是否应暂停GPT-5.5的开发，以避免代码被新版本推倒重构。该推文暂无官方来源，属于社交媒体传闻。

行业 GPT-5.6 GPT-5.5 OpenAI

事件专题

推荐理由：GPT-5.6名号刚冒出来，开发者已经开始焦虑了，看看大家怎么接梗的

原文

12:35

官方账号arXiv cs.LG@Zijian Zhang, Rizhen Hu, Athanasios Glentis, Dawei Li, Chung-Yiu Yau, Hongzhou Lin, Mingyi Hong

本文基于Qwen3和Qwen2.5共7个模型，使用GRPO、GiGPO、Dr. GRPO三种RL算法，在数学推理、代码生成和智能体决策任务上实验。研究发现训练单层Transformer即可恢复全参数RL训练大部分甚至全部改进。作者引入“层贡献”指标量化单层训练相比全参数训练的收益比例。结果显示RL收益高度集中于少数中间层，输入输出层贡献显著较低。

论文 Qwen3 GRPO Transformer

推荐理由：这篇论文发现RL训练只需调优一层Transformer就能接近全参数效果，还揭秘中间层才是关键，刷新认知。

原文

11:48

AI Will@FinanceYF5

OpenAI模型更新平均间隔51.8天，Claude 4到Opus 4.1用了75天，之后保持42-73天周期。谷歌Gemini系列平均75.8天，2025年曾出现154天空窗期。GPT-5到5.1间隔97天，5.1到5.2仅29天，后续稳定在28-56天。快速发布带来数据飞轮、人才迭代和开发者心智优势，成为AI竞争的结构性壁垒。

行业 OpenAI Anthropic Google

事件专题

推荐理由：OpenAI和Anthropic现在每1-2个月发一次新版，谷歌要75天还断过154天，速度差距越来越大了。看看他们怎么用发布节奏建护城河。

原文

11:15

官方账号arXiv cs.LG@Xuecheng Liu, Daman Arora, Gokul Swamy, Andrea Zanette

论文提出Message Passing Language Models（MPLMs）框架，通过轻量级send/receive原语让多个LLM线程直接通信。在Sudoku任务中，MPLM所需的上下文比串行CoT和并行FJ方法渐近更小，并成功微调出能解25x25数独的单一模型。在3-SAT任务中，抢占机制可提前终止无效分支提升效率。在长上下文问答上，适当提示的大型预训练模型能遵循MPLM协议，性能与流行fork-join方法相当。

论文 MPLM 推理模型消息传递

推荐理由：这篇论文解决了LLM推理的计算瓶颈，用消息传递代替长链条，在数独和SAT上效果显著，对关注推理效率的人值得一读。

原文

10:23

官方账号arXiv cs.AI@Zhuoxuan Zhang, Kangqi Ni, Yuhang Chen, Mingfu Liang, Xiaohan Wei, Yunchen Pu, Fei Tian, Chonglin Sun, Frank Shyu, Adam, Song, Sandeep Pandey, Luke Simon, Tianlong Chen, Xi Liu

生成式推理重排序器（GR2）通过自回归解码生成推理链后再排序，准确率高但推理速度慢。论文提出Diffusion-GR2，将自回归重排序器转换为块扩散模型，并行解码多个位置。通过转换微调（CFT）解决结构间隙，确保输出有效排列；通过在线蒸馏（OPD）和强化学习（RL）弥补分布间隙。在Amazon Beauty数据集上，Diffusion-GR2准确率接近自回归基线，推理吞吐量提升2.4-3.5倍。消融实验显示CFT恢复大部分转换损失，在线蒸馏进一步缩小差距。

论文 Diffusion-GR2 GR2 AR re-ranker

推荐理由：想加速推理重排序又不想掉精度？这篇把自回归GR2换成块扩散，速度提升2.4倍以上，准确率几乎没降，干货满满。

原文

09:12