AITOP

推理模型

共 1080 条相关 AI 资讯 · 查看话题观测
8月7日
03:34
03:34官方账号OpenAI@OpenAI
83°
OpenAI 推出 GPT-5.6 Sol，为付费用户的全部聊天（含 Instant 模式）提供一致体验。在高风险事实性评估中，覆盖金融、医学和法律领域，GPT-5.6 Sol 比 GPT-5.5 Instant 的事实错误响应减少 68%。该模型成为付费用户的默认统一推理版本。
AI模型GPT-5.6 SolOpenAI推理模型
事件专题
推荐理由：OpenAI 把新模型 GPT-5.6 Sol 用到所有付费聊天里，医学法律等场景错误率比上代 Instant 低了 68%，靠谱很多。
原文
03:33
03:33官方账号OpenAI@OpenAI
78°
OpenAI 为 ChatGPT 推出 GPT-5.6 Sol，Plus 和 Pro 用户可使用即时与深度推理，响应更注重事实。GPT-5.6 Luna 面向 Free 和 Go 用户，从明天起提供无限文本对话。Sol 与 Luna 分别面向付费和免费层级，覆盖不同需求。
AI模型GPT-5.6 SolGPT-5.6 LunaOpenAI
事件专题
推荐理由：OpenAI 把新模型拆成两档：付费的 Sol 更会推理，免费的 Luna 随便聊，明天就能用。
原文
03:12
03:12官方账号Decoder@Matthias Bastian
72°
OpenAI更新了ChatGPT中的GPT-5.6 Sol，新增推理滑块可调节思考深度，并优化了回复聚焦度。免费用户从下周起获得GPT-5.6 Luna的无限文本聊天权限，外加一个让其推理更长的按钮。但Luna的能力仍明显弱于Sol等更大的模型。
AI产品OpenAIChatGPTGPT-5.6 Sol
事件专题
推荐理由：Sol更新了推理滑块，想调思考深度可以试试；免费用户下周用Luna，但别指望它能打。
原文
01:20
01:20Geek@geekbb
精选71°
Unsloth AI推出DSpark加速方案，让DeepSeek-V4-Flash-0731的GGUF模型在本地生成速度提升约1.4至2倍。根据Unsloth官方实测，该模型在本地可达到每秒120 tokens，精度没有变化。相关GGUF文件已发布在Hugging Face上，完整指南见Unsloth官方文档。
AI模型DeepSeek-V4-FlashUnslothDSpark
事件专题
推荐理由：Unsloth搞了个DSpark，能让DeepSeek-V4-Flash在本地跑快一两倍，每秒120 tokens，精度不变，自己部署更爽了。
原文
8月6日
23:47
17:25
17:25AI Will@FinanceYF5
78°
NVIDIA宣布开源自动驾驶推理模型Alpamayo 2 Super。Alpamayo 2 Super能理解复杂场景，先思考再行动。Robotaxi、卡车和配送车是它的目标应用。模型采用OpenMDW-1.1协议开放商用。Jensen Huang表示下一代AI是机器人，从自动驾驶开始。
AI模型NVIDIAAlpamayo 2 Super自动驾驶
事件专题
推荐理由：老黄开源的Alpamayo 2 Super是自动驾驶推理模型，能先思考再行动，Robotaxi和卡车都能用，而且协议允许商用。
原文
17:16
16:22
11:39
11:39官方账号arXiv cs.LG@Purbesh Mitra, Sennur Ulukus
该论文提出 Chained Recursive Language Models（Chained RLM），一种推理时架构，让同一个模型以全新上下文被反复调用。每一轮推理接收原始问题和紧凑摘要，而非完整对话历史，通过黑板和工作区传递中间结果。论文描述了系统模型、交接机制、工件工作区及评估协议，并研究了何时使用新鲜上下文的多阶段计算相比直接回答更准确。在需要抽取、计数、排序和多跳推理的任务中，该方法能减少早期错误传播。
论文Chained RLM推理模型长上下文
推荐理由：这篇论文把一次长推理拆成多轮小步骤，每一步都能检查修正，适合做长文档问答的人看看。
原文
11:34
11:34官方账号arXiv cs.LG@Yinghui He, Ling Yang, Jiarui Liu, Yongjin Yang, Lechen Zhang, Yingcheng Wu, Zhenfei Yin, Mengdi Wang, Sanjeev Arora
论文提出Skill Entropy，用于度量模型在同一推理链中切换不同技能（如先做数学推导再规划日程）的难度。基于558个技能和9个可验证领域构建了Skill^2-Bench基准，任务按技能熵分为三个难度等级。在8个前沿模型和4个开源模型上的测试显示，技能熵越高的任务准确率越低，存在明显的技能切换差距。将Skill Entropy作为训练信号，Skill-Entropy RL在Qwen3-4B-Instruct上将Skill^2-Bench得分从34.4%提升到68.4%，在Qwen3-1.7B上从14.6%提升到40.1%。该训练流程还能直接应用到OpenR1-Math等现有数据上。
论文Skill EntropySkill^2-BenchQwen3
推荐理由：Skill Entropy能测出模型切换推理技能的短板，还能当训练信号：Qwen3小模型得分从34%飙到68%，也能用在OpenR1-Math数据上。
原文
10:02
10:02官方账号arXiv cs.LG@Nhat Minh Pham, Duy Tung Doan, Thi Duyen Ngo, Vinh Van Nguyen, Khac-Hoai Nam Bui
精选
SpecRoll 是一种用于强化学习 rollout 的投机解码引擎，面向大规模语言模型后训练。它用轻量级未来 token 头生成并行提议，并通过 Reflex 模块做轨迹局部的隐藏状态修正，无需反向传播。在 1.5B 到 14B 的五个模型和三个数学推理数据集上，SpecRoll 相比原始 GRPO 取得 1.26-2.15 倍生成加速和 1.21-2.04 倍端到端加速。在全部 15 组匹配设置中，SpecRoll 的平均端到端耗时比 FastGRPO 快 1.18 倍。源码已公开。
论文SpecRollGRPO投机解码
推荐理由：RL 训练嫌生成太慢？SpecRoll 用投机解码给 rollout 提速，不改采样分布，五个模型跑数学推理端到端快 1.2 倍以上，代码也开源了。
原文
00:13
8月5日
12:25
12:25官方账号arXiv cs.AI@Jinhe Bi, Chennan Zhou, Zengjie Jin, Aniri, Shuo Lu, Wenke Huang, Hu Cao, Xun Xiao, Zhihong Zhu, Volker Tresp, Fei Shen, Yunpu Ma, Tat-Seng Chua
ReflectRL 提出从专家模型的失败轨迹中学习推理，将失败样本视为反思对象而非模仿示范。该方法基于“反思优势”假设：对难题，反思有缺陷的轨迹比从头求解更有效。ReflectRL 先利用失败轨迹生成反思推理，再通过“反思到直接策略迁移”将能力转移。在 9 个基准、4 种 LLM 骨干和 4 种在线训练方法上，ReflectRL 稳定提升推理性能且开销极小。
论文ReflectRL推理模型在线训练
推荐理由：ReflectRL 把失败样本当教材，让模型先反思再直接推理。在 9 个基准上稳定提升，还挺轻量。
原文
12:20
12:09
12:09官方账号arXiv cs.LG@Mohsen Hariri, Weicong Chen, Nahal Shahini, Vikash Singh, Kai Ye, Amirhossein Samandar, Debargha Ganguly, Sreehari Sankar, Yanyan Zhang, Shouren Wang, Jerry Peng, Biyao Zhang, Michael Hinczewski, Vipin Chaudhary
这篇论文将测试时缩放形式化为自回归模型隐式前缀树上的预算推理，区分单轨迹连续缩放、叶级缩放和前缀级缩放三种结构。论文提出评估轮廓，将端到端系统性能与候选库诊断分离，并指定推理协议的可重复性要求，区分精确重放与分布可复现。作者在广泛知识、符号推理和竞赛数学基准上应用这些原则，并组装了超过20亿条完整推理轨迹供发布。
论文测试时缩放推理模型评估方法
推荐理由：这篇论文把测试时缩放拆成三种结构，还给了评估和复现规范，做推理模型的人可以参考。
原文
08:31
08:31官方账号Simon Willison’s Weblog（博客/媒体）
llm-anthropic 0.26 发布，新增 claude-fable-5、claude-sonnet-5、claude-opus-5 三个模型。该版本引入 WebSearch、WebFetch、CodeExecution、AnthropicMCP 服务端工具，可通过 -T 接口调用。旧的 -o web_search* 选项已移除，统一改用 -T WebSearch。升级到 llm>=0.32 后，推理、工具调用等以类型化事件流式传输。Claude 5 默认启用思考，Sonnet 5 和 Opus 5 可用 -o thinking 0 关闭，Fable 5 强制思考。
AI产品llm-anthropicClaudeAnthropic
事件专题
推荐理由：llm-anthropic 更新到 0.26 了，支持 Claude 5 全家桶和四个服务端工具，装 LLM 0.32 就能用，玩 Claude 5 的可以试试。
原文
06:08
06:08elvis@omarsar0
精选
新基准对比了 6 个大型推理模型在两种真实 agent harness 上的表现。同一模型、同一任务和提示词，换一个 harness 后单次成功成本可相差 5 到 30 倍。实验包含 24 个带隐藏评估器的确定性编码任务和 4,643 次有效运行。让模型自行开发并比较多种方案会使推理 token 增加 2.4 到 7.4 倍且无正确性提升；泛泛的 think-deeply 提示再增加 1.6 到 2.2 倍。采用限定范围、验收标准和停止条件的模板可做到成本中性，有时将推理消耗减半。
论文Agent Harness智能体推理模型
推荐理由：别急着换模型，先看看 agent harness。同一任务成功成本能差 5 到 30 倍，论文还给了省 token 的提示模板。
原文
01:16
8月4日
12:14
12:14官方一手arXiv: DeepSeek@Yi Liu
该论文提出符号化—基底论题（Symbolization–Substructure Thesis）和涌现不变性公式 R_s^*=R_φ^*+C_s，认为规模扩展只能缩小补偿差 C_s，却无法消除任务接口下限 R_φ^*。作者用 DeepSeek V4-Flash 做了匹配实验：加入思考后指针追踪成绩从 0/16 提高到 14/16；观察孪生任务仍停在 50% 的构造下限；恢复关键记忆后成绩从 50% 升到 100%。这些结果支持“在同一接口内扩展规模”与“精化接口本身”之间的区别。
论文DeepSeek V4-Flash涌现不变性推理模型
事件专题
推荐理由：V4-Flash实验：思考让指针追踪0/16→14/16，孪生任务仍50%。换接口比堆算力更重要。
原文
12:06
12:06官方账号arXiv cs.LG@Zhaoxin Yu, Qi Shen, Hengli Li, Zhaowei Zhang, Song-Chun Zhu, Chi Zhang, Zilong Zheng
GradCuit在Transformer层间插入可优化潜在状态，使奖励加权梯度直接分配给潜在变量。在五个指令微调基座、三个推理基准和两种答案格式上，GradCuit平均准确率64.5%，比思维链提示高6.6个百分点，比最强对比方法高2.4个百分点。在七个学习率设置下，GradCuit准确率标准差从1.53降至0.82，其随机游走变体仍与LatentSeek相当。层分析显示早中期Transformer层是最有效的优化空间。
论文GradCuitarXiv推理模型
推荐理由：想让LLM更会推理？GradCuit不用改参数，直接优化内部状态，准确率比CoT高6.6个点，而且还更稳定，值得试试。
原文
09:40
09:29
09:29官方账号arXiv cs.AI@Kaike Ping, Buse Çarık, Caleb Wohn, Xiaohan Ding, Tongshuai Wang, Eugenia Rho
研究通过5个开源权重模型、500个MedQuAD问题和120万次试验，分析医学谄媚行为。结果发现，虚假来源伴随提问时使谄媚率提高2.0倍，但在模型回答后出现则使谄媚率减半。谄媚程度在不同问题间的差异是模型间差异的67倍对3倍。思维链追踪显示，重新审视自己答案的模型会让步，而推理医学事实的模型坚持。
论文医学谄媚LLMMedQuAD
推荐理由：这篇论文用120万次试验测了5个开源模型，发现你反驳它就会改答案，假来源出现的时机不同效果差很多，值得看看。
原文
03:15
03:15官方账号OpenAI@OpenAI (@OpenAI)
82°
OpenAI在X平台宣布，其下一代旗舰模型的内部版本在数学和理论计算机科学领域的10个长期开放问题上取得了新结果。该模型运行消耗的token价值约2000美元，按GPT-5.6 Sol API费率计算。推文附带的视频展示了部分求解过程，目前该模型尚未公开发布。
AI模型OpenAIGPT-5.6推理模型
事件专题
推荐理由：OpenAI说下一代模型内部版才花2000美元token就解了10个数学老难题，按GPT-5.6 Sol API费率算的，很猛。
原文
8月3日
23:32
19:20
18:41
15:32
10:17
09:19
09:19官方一手arXiv: DeepSeek@Yongshi Ye, Biao Fu, Chongxuan Huang, Yidong Chen, Xiaodong Shi
精选
TwT（Translation with Thought）是一个难度自适应的多领域机器翻译框架，通过强化学习在直觉与深思推理间动态切换。该模型先利用DeepSeek-R1蒸馏并由GPT-4o重写的长思维链进行监督微调，再通过混合奖励优化翻译质量与推理效率。在15个基准、3种已见语言和59种未见语言上，TwT-7B和TwT-14B的翻译质量超过更大的SOTA推理模型，同时token用量减少32%至60%。
论文TwTDeepSeek-R1GPT-4o
推荐理由：这个TwT框架让翻译模型根据难度动态调整思考量，7B和14B的小模型打过大模型，token还省了30%到60%，做多领域翻译的可以看看。
原文
00:32
8月2日
14:41
13:08
01:16
01:06
00:21
00:20
8月1日
15:59
10:13
10:13Fireworks AI@FireworksAI_HQ
72°
DeepSeek-V4-Flash-0731已在Fireworks平台上线，支持日零部署。DeepSeek报告该模型在全部9项智能体评测中超越V4 Pro，其中Terminal Bench得分82.7%。其性价比优于V4 Pro，定价为每百万tokens 0.28美元，上下文窗口达100万tokens。
AI模型DeepSeekV4-Flash-0731Fireworks
推荐理由：Fireworks当天上线了DeepSeek最新模型，智能体评测全面超过V4 Pro，价格还更便宜，适合跑高并发任务。
原文
08:29
02:05