推理模型相关 AI 资讯

模型中美对照02:16

Dots.3-preview 在性能与成本上双双压过 DeepSeek 新模型

小团队 Dots.3-preview 居然在性能和成本上都压过 DeepSeek 新模型，作者重点夸了他们的 RL 训练方案，想追国产模型进展的可以看看。

#DeepSeek #Dots.3 #开源模型 #推理模型

Teortaxes@teortaxesTex原文

模型中美对照00:46

Grok 4.7 的 ARC-AGI 验证成绩公布：二代得分低于 Grok 4.6

ARC Prize 晒出 Grok 4.7 的实测成绩，有意思的是它一代分数涨了，二三代替反而降了，可以看看这套数据对比

#Grok 4.7 #ARC-AGI #xAI #推理模型

事件专题

官方账号ARC Prize@arcprize2 个信源在谈原文

模型 Agent 与开发者00:35

8 个决策模型玩俄罗斯方块测试，Perplexity Decider 排名第一

有人拿 8 个决策模型打 Tetris，Perplexity Decider 稳居第一，还能自己在 playground 里复现，挺好玩的。

#Perplexity #Decider #决策模型 #benchmark

Aravind Srinivas@AravSrinivas原文

模型 Agent 与开发者00:16

OpenRouter Playground 上线 Clef Flash 模型

Cloudflare 的 Clef Flash 上 OpenRouter 了，点进 Playground 就能直接试，不用自己搭环境。

#OpenRouter #Clef Flash #Cloudflare #推理模型

OpenRouter@OpenRouterAI原文

模型 Agent 与开发者多源确认23:40

GPT-6.1 Sol 已出现在 Copilot 365 Premium 聊天模式中

有人在 Copilot 365 Premium 里刷出了 GPT-6.1 Sol，比官方公告还早，想第一时间尝鲜的可以去看看自己的账号有没有。

#GPT-6.1 Sol #Microsoft Copilot #Copilot 365 Premium #推理模型

事件专题

@koltregaskes@koltregaskes6 个信源在谈原文

模型中美对照81°23:34

DeepSeek V4.1 Flash 在 ARC-AGI 验证集上超越 V4 Flash

DeepSeek 的 V4.1 Flash 跑分出来了，ARC-AGI-2 拿下 72.9%，比上一代高了 11.5 分，不过每任务成本贵了两倍多，看你怎么权衡。

#DeepSeek #ARC-AGI #推理模型 #开源模型

官方账号ARC Prize@arcprize原文

模型 Agent 与开发者23:10

Mistral AI 发布 Mistral Large

Mistral AI 家的新旗舰 Mistral Large 出了，想跟进欧洲模型进展的可以去官网看完整公告。

#Mistral AI #Mistral Large #推理模型

官方账号Mistral AI@MistralAI原文

论文 Agent 与开发者22:56

研究发现：基础模型加一句前缀即可提升推理成绩

有人发现给基础模型加一句"Okay"开头，Olmo-3-7B 在 MATH-500 就从 42% 涨到 78%，原理分析也很有意思。

#Olmo-3 #Qwen3 #MATH-500 #推理模型

Aran Komatsuzaki (论文推介)@arankomatsuzaki原文

模型 Agent 与开发者22:51

Reka 发布 Rho-1：全模态推理模型，延迟从 13.8 秒降到 7.0 秒

DeepMind 前员工做的单一模型，画图改视频控制机械臂全包，延迟砍半，不用再等十来秒了。

#Reka #Rho-1 #多模态 #推理模型

Gorden Sun@Gorden_Sun原文

模型中美对照多源确认71°22:21

Mistral 发布 1T 参数多模态模型 Mistral Large 4，编程与安全成绩对标 GLM-5.3

Mistral 这次真支棱起来了，1T 参数只激活 49B，用 4000 块芯片就训出能跟 GLM-5.3 掰手腕的模型，欧洲总算有能打的了。

#Mistral #GLM-5.3 #Kimi K3 #推理模型

事件专题

kimmonismus@kimmonismus11 个信源在谈原文

模型 Agent 与开发者多源确认74°22:14

Mistral 发布 Mistral Large 4：1T 参数开源权重模型

Mistral 拿出 1T 参数的 Le Chonk，激活只有 49B，跑分号称欧洲开源第一，还能在视觉定位上压过闭源模型，10 月底开源权重，可以关注。

#Mistral #Mistral Large 4 #开源模型 #多模态

事件专题

OpenRouter@OpenRouterAI11 个信源在谈原文

模型 Agent 与开发者多源确认88°22:08

Mistral Large 4 发布：1T 参数多模态，10 月底开放权重

Mistral 放出 1T 参数的 Le Chonk，激活才 49B，视觉定位还能打赢闭源模型，10 月底开源权重，开源党可以蹲一下。

#Mistral Large 4 #Mistral AI #开源模型 #多模态

事件专题

Julien Chaumond@julien_c11 个信源在谈原文

行业 Agent 与开发者22:05

Duke 研究员将出席 ARC Prize Research Summit 2026，介绍 PRO-LONG

ARC Prize 2026 峰会请来 Duke 的 PRO-LONG 一作，讲怎么用程序化记忆做长程推理，做推理方向的可以看看。

#ARC Prize #PRO-LONG #Duke University #推理模型

官方账号ARC Prize@arcprize原文

模型 Agent 与开发者多源确认84°21:53

Mistral 发布 Mistral Large 4 预览版：1T 参数、49B 激活的多模态开源模型

Mistral 放出了 1T 总参、49B 激活的多模态模型预览版，说是欧美最强开源权重模型，月底连权重一起放出来，做开源部署的可以盯着。

#Mistral Large 4 #Mistral #开源模型 #多模态

事件专题

官方账号Guillaume Lample (Mistral)@GuillaumeLample11 个信源在谈原文

模型中美对照多源确认83°21:50

Mistral发布Large 4模型，AI指数达38分

Mistral推出Large 4，成为美中之外最智能模型，价格却比同类开源模型贵4倍。

#Mistral #Mistral Large 4 #GPT-6 Luna #DeepSeek V4.1

事件专题

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

模型 Agent 与开发者多源确认76°21:36

Mistral Large 4 在 DeepSWE 基准测试中领先 GLM-5.3

Mistral Large 4 在多个专业领域基准测试中表现优异，金融和法律任务得分亮眼。

#Mistral Large 4 #GLM-5.3 #DeepSWE #Finch

事件专题

TestingCatalog@testingcatalog11 个信源在谈原文

模型 Agent 与开发者多源确认21:05

DiffusionGemma 在 DGX Spark 上对比 Jev，vLLM 定制补丁完成评测

有人在 DGX Spark 上用自写的 vLLM 补丁跑 DiffusionGemma 和 Jev 对比，vLLM 官方都转发了，想看扩散模型推理性能的可以点进去。

#DiffusionGemma #vLLM #DGX Spark #推理模型

事件专题

官方账号vLLM@vllm_project3 个信源在谈原文

模型中美对照精选20:09

蚂蚁集团发布 Ling 3.1 Flash：智能指数翻倍至 41 分

蚂蚁的 Ling 3.1 Flash 智能分直接从 20 涨到 41，智能体能力能跟 GLM-5.3-Flash、DeepSeek V4.1 Flash 掰手腕，权重还快开源了。

#Ling 3.1 Flash #Ant Ling AGI #DeepSeek #开源模型

官方账号Artificial Analysis@ArtificialAnlys原文

模型中美对照19:28

Mistral AI 预告今日发布新模型，称网安表现优于中国竞品

法国 Mistral AI 直接放话新模型网安能力超过中国模型，欧洲厂商开始下场对标，看看它拿什么跟 DeepSeek 掰手腕。

#Mistral AI #开源模型 #网络安全 #推理模型

IT之家原文

模型中美对照19:21

Mistral 新大模型即将发布，称部分能力超越中国模型

Mistral 要发新模型了，自己放话说 cyber 这块比中国模型强，还可能开放权重，欧洲模型粉可以蹲一下。

#Mistral #开源模型 #推理模型

TestingCatalog@testingcatalog原文

论文 Agent 与开发者13:27

研究：特定起始 token 提示可让 base 模型接近 RL 训练后的推理表现

不用 RL 训练，只在开头加个 "Okay" 就能让 Olmo-3-7B 数学成绩翻近一倍，这篇论文把原因挖得很透，做模型训练的值得看看。

#Olmo-3-7B #Qwen3-14B #MATH-500 #推理模型

arXiv cs.AI@Sophie L. Wang 等 6 人原文

论文 Agent 与开发者精选13:22

OPPD 蒸馏法让模型单次生成即达 power sampling 64 候选的效果

一篇有意思的论文：不靠每次采样几十个候选，而是把 power sampling 的锐化直接蒸进模型，单次生成就超过 64 候选采样，数学和代码基准都有实测数字。

#OPPD #power sampling #GRPO #蒸馏

arXiv cs.AI@Erfan Baghaei Potraghloo 等 7 人原文

模型中美对照多源确认11:04

Nvidia 投资的 Reflection 发布 Beam 模型

Nvidia 投资的 Reflection 出了新模型 Beam，官方说推理成绩能打平 Z.AI 的 GLM-5.2，想看美国初创怎么追赶中国模型的可以看看。

#Reflection #Beam #GLM-5.2 #Z.AI

事件专题

Tech in Asia@Naomi Li Gan11 个信源在谈原文

论文中美对照10:32

arXiv 论文用 3000 道八字选择题评估语言模型的规则应用能力

用八字命理当考题测模型，六个系统都会背规则但一到大运、事业这类实例题准确率掉到三成多，结论挺有意思。

#DeepSeek #八字 #基准测试 #推理模型

arXiv: DeepSeek@Jiulin Li, Ping Huang原文

论文 Agent 与开发者10:31

从推理链哪一步重启更划算？arXiv 论文量化扩展位置的选择收益

论文发现重启推理链的位置本身就有讲究，选对位置在 MATH-500 上能用更少算力超过 self-consistency，做推理成本优化的人可以看。

#DeepSeek-R1 #MATH-500 #推理模型 #论文

arXiv: DeepSeek@Rian Atri, Evan Luo原文

模型中美对照10:14

GLM 5.5 开源模型爆料：或对标 Opus 和 Sol

智谱的 GLM 5.5 要来了，这位博主预测它能打过 Opus 和 Sol，开源模型又要卷起来了。

#GLM 5.5 #智谱 #开源模型 #推理模型

Bindu Reddy@bindureddy原文

论文 Agent 与开发者09:53

PyINE：用可执行程序研究模型捷径行为的监督框架

这篇把模型走捷径的监督问题做成了可复现的实验场：百万条执行轨迹加代码变体，还实测了探针、judge、debate 四种监督方式各自漏什么、贵在哪。

#PyINE #可验证奖励 #AI安全 #激活探针

arXiv cs.LG@Pierre-Luc St-Charles 等 8 人原文

模型 Agent 与开发者多源确认09:32

Beam 被指是 DeepSeek V3 的等算力复现：23B 参数 × 23.8T tokens

有人算出 Beam 和 DeepSeek V3 总训练算力几乎一模一样，等于是两年后的复现，但效率差挺远，评论区还挺热闹。

#Beam #DeepSeek V3 #H100 #推理模型

事件专题

Teortaxes@teortaxesTex4 个信源在谈原文

论文 Agent 与开发者09:22

多智能体辩论何时优于多数投票：LVD 框架给出两个前提条件

这篇论文解释了为啥多智能体辩论经常跑不过简单多数投票，还给出了 LVD 方法和可复现代码，做 agent 推理的可以试试。

#多智能体 #LVD #推理模型 #开源模型

arXiv cs.AI@Zihao Zhao 等 6 人原文

模型中美对照07:35

评论员谈 Beam：不靠 Claude 蒸馏，用 RL 压缩轨迹

有人聊 Beam 这模型：猜它没用 Claude 蒸馏，纯靠 RL 炼出来的，看看不带 Claude 血统能打几分。

#Beam #Claude #RL #蒸馏

Teortaxes@teortaxesTex原文

模型中美对照06:45

Reflection AI 发布 501B 参数开源模型 Beam

Reflection AI 放了个 501B 总参、23B 激活的开源模型 Beam，主攻编程和智能体任务，权重这个月就放，做本地部署的可以盯一下。

#Reflection AI #Beam #开源模型 #推理模型

Amjad Masad@amasad原文

行业中美对照多源确认05:20

Anthropic 效率领先，OpenAI 被迫大幅下调费率

有人观察到 Anthropic 效率反超后 OpenAI 费率砍半，两家竞争格局几周内就变了，聊聊这个变化挺有意思。

#Anthropic #OpenAI #推理模型

事件专题

kimmonismus@kimmonismus11 个信源在谈原文

模型 Agent 与开发者05:20

Reflection 开放 Beam 模型，Artificial Analysis 独立基准测试中

Reflection 新模型 Beam 正在被 Artificial Analysis 独立测试，早期数据显示它是同级开源模型里最省 token 的之一。

#Beam #Reflection AI #Artificial Analysis #开源模型

官方账号Artificial Analysis@ArtificialAnlys原文

模型中美对照多源确认03:49

Agent Arena 发布智能体任务榜单：Anthropic 模型居 Code、Work、Chat 三类榜首

Arena.ai 更新了 Agent Arena 榜单，Anthropic 和 OpenAI 的模型在真实任务上谁强谁弱，一目了然。

#Agent Arena #Claude #GPT 6 Astra #Gemini

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认03:39

Reflection 发布首个开源权重模型 Beam，推理对标 GLM-5.2

Nvidia 投资的 Reflection 出了首个开源权重模型 Beam，号称推理打平 GLM-5.2 还更省算力，权重这个月就放。

#Beam #Reflection AI #GLM-5.2 #开源模型

事件专题

techcrunch@Rebecca Bellan11 个信源在谈原文

技巧 Agent 与开发者精选01:42

Simon Willison 重跑长数字加法实验，测试本地 Qwen 3.8 27B

Simon Willison 用 Colin Fraser 的老加法实验测本地 Qwen 3.8 27B，还对比了开不开推理模式的结果，想本地跑模型的可看。

#Qwen #GPT-4o #推理模型 #数字加法

官方账号Simon Willison@simonw原文

模型中美对照多源确认01:26

GPT-6-Astra 与 GPT-6.1 Sol 生成速度提升至 50 token/秒

GPT-6-Astra 和 GPT-6.1 Sol 速度从 30 提到 50 token/秒，日常用起来明显更跟手，这次只提速不重置。

#GPT-6 #OpenAI #推理模型

事件专题

kimmonismus@kimmonismus11 个信源在谈原文

论文中美对照多源确认精选01:04

Qwen3.8 27B 开启推理后在 DGX Spark 上算对 169 位数加法实验

有人在 DGX Spark 上重跑了 GPT-4o 的文字加法实验，Qwen3.8 27B 开推理后 169 次只错 2 次，还能看到逐位进位的思考过程。

#Qwen3.8 #GPT-4o #DGX Spark #推理模型

事件专题

官方账号Simon Willison’s Weblog3 个信源在谈原文

论文 Agent 与开发者精选01:00

微软推出 CorpusMap：为文档集建实体地图，让智能体检索更准更省

微软这篇论文很实用：给文档集预先建好实体地图，智能体检索准确率涨最多 11.7 分，token 还省一半。

#CorpusMap #Microsoft #智能体 #RAG

elvis@omarsar0原文

模型 Agent 与开发者多源确认21:31

TypeSafe AI 决策模型 Jev 日处理量达 1 万亿 token，OpenAI 等跟进

不生成文本、只做分类决策的 Jev 三周就跑到日处理 1 万亿 token，OpenAI 和 Cloudflare 都出了同路线产品，挺值得了解的新方向。

#Jev #TypeSafe AI #OpenAI #Decisions API

事件专题

IT之家11 个信源在谈原文