推理模型相关 AI 资讯

AITOP

7月2日

02:30

02:30官方一手Google Blog: AI（博客/媒体）

2026年6月，Google发布多项AI更新，涵盖模型升级、产品新功能和工具发布。具体内容包括Gemini模型的性能提升、Bard新增功能，以及AI视频生成和推理模型的推出。这些更新在多项基准测试中取得显著进展。

推荐理由：谷歌的月度更新打包了一堆新东西，Gemini和Bard都有变化，可以快速了解

原文

02:18

官方一手AWS Machine Learning Blog@Zohreh Norouzi

AWS 宣布在 AWS GovCloud (US) 中通过 Amazon Bedrock 支持 NVIDIA Nemotron 系列（Nano 9B v2、Nano 12B v2、Nano 30B、Super 120B）和 OpenAI GPT OSS 模型（120B 和 20B）。这些模型均为美国原产的前沿开放权重模型，满足数据驻留合规要求。用户现在可以通过 Bedrock 在 GovCloud 环境中使用这些模型进行推理。

AI产品 Amazon Bedrock AWS GovCloud NVIDIA Nemotron OpenAI GPT OSS 推理模型

推荐理由：AWS 把 NVIDIA 的 Nemotron 和 OpenAI 的 GPT OSS 模型搬上 GovCloud 了，有 6 种不同规模的开放权重模型可选，适合需要数据驻留的合规场景。

原文

00:27

AK@_akhaliq

LiteResearcher是一个针对深度研究智能体设计的可扩展强化学习训练框架。该框架采用智能体RL方法，支持大规模训练，旨在提升AI在复杂研究任务中的自主探索和推理能力。它通过强化学习优化智能体的研究策略，使模型能够更高效地完成多步推理和信息综合。

AI模型 LiteResearcher 智能体推理模型强化学习深度研究

推荐理由：LiteResearcher是专门为深度研究智能体打造的RL训练框架，能更高效地训练复杂推理能力，适合关注智能体研究和强化学习的朋友。

原文

00:09

官方账号LMSYS Org (SGLang)@lmsysorg

精选73°

LMSYS 发文感谢 NVIDIA 在其最新推理软件经济学报告中提及 SGLang。SGLang 推出针对 Blackwell 架构的 day-0 优化方案，将 DeepSeek V4 的推理性能提升最高 5 倍。该优化通过 CUDA 原生推理路径实现，显著降低了每 token 成本。NVIDIA AI 团队与 SGLang 合作的具体技术细节已在博客中公开。

AI模型 SGLang NVIDIA DeepSeek V4 Blackwell 推理模型

推荐理由：SGLang 和 NVIDIA 联手让 DeepSeek V4 在 Blackwell 上跑得快了 5 倍，开源推理引擎的效率又上了一个台阶。

原文

7月1日

16:59

量子位@思邈

Loop世界模型论文在Hugging Face热门榜登顶，该模型由中国初创公司研发，允许AI通过反复推演世界状态进行推理。模型获得360创始人周鸿祎和奇绩创坛陆奇等投资，引发关注。论文展示了世界模型在复杂推理任务上的潜力。

AI模型 Loop 世界模型 Hugging Face 推理模型中国初创

推荐理由：中国初创搞的世界模型火了，能反复推演不同情境，Hugging Face上热度第一，周鸿祎和陆奇都投了，做推理模型的朋友可以看看。

原文

16:50

orange.ai@oran_ge

Sonnet 5 因更换tokenizer导致实际费用与Opus 4.8相近，在GDPeval等金融基准上表现最佳。编程任务中Sonnet 5费用可能超过Opus 4.8，被用户吐槽。Opus 4.8擅长复杂编程和HTML设计，但写作不如Opus 4.6。GPT 5.5目前是编程首选。四款模型均已上线Cola平台。

AI模型 Sonnet 5 Opus 4.8 GPT 5.5 推理模型编程助手

推荐理由：Sonnet 5 换了tokenizer后费用涨了，金融评测很强但编程费钱，Opus 4.8和GPT 5.5各有特长，选模型前先算账。

原文

15:52

AI Will@FinanceYF5

用户让 Claude 解一道“三步将杀”国际象棋题。Claude 的思维链极长，图中展示的部分仅为其推演的约 1/10。后续仍在持续推演，未能及时给出最终答案。该案例展示了 Claude 在逻辑推理任务中可能过度思考的问题。

AI模型 Claude 国际象棋推理模型思维链

推荐理由：看看 Claude 怎么死磕一道三步将杀，思维链长到离谱，最后还没完没了。

原文

14:29

官方账号Greg Brockman@gdb

83°

OpenAI 推出 GeneBench-Pro，一个用于评估 AI 在计算生物学中处理判断密集型分析能力的基准。其问题需要人类专家 20-40 小时完成。GPT-5.6 Sol 在该基准上实现了显著提升，标志着模型在混乱生物数据中导航、选择分析路径和做出专业判断方面的进步。

AI模型 GeneBench-Pro GPT-5.6 Sol OpenAI 推理模型智能体

推荐理由：OpenAI 搞了个新基准 GeneBench-Pro，专门测模型做复杂生物分析时的判断力，GPT-5.6 Sol 表现很亮眼，比之前强不少。

原文

13:30

官方一手歸藏(guizang.ai)@op7418

74°

Fable 5 将于美国时间 7 月 1 日恢复全球上线，可在 Claude 平台、Claude Code、Claude CodeWork 使用。Pro、Max 和 Team 用户在 7 月 7 日前 Fable 包含在每周用量限额的 50% 以内，之后单独扣除积分。安全分类器设置了更大阈量，拒服概率可能更高。Sonnet 5 测试结果接近 Opus 4.8，但任务成本可能高于 Opus 4.8，甚至接近 Fable 5，用户反馈其会偷懒或拒绝执行任务。

AI模型 Fable 5 Sonnet 5 Anthropic Claude 推理模型

推荐理由：Anthropic 昨天刚被爆出在系统提示里藏东西，今天就急着把 Fable 5 恢复上线，还附赠了 Sonnet 5 的成本 bug，挺热闹的。

原文

10:16

官方账号arXiv cs.AI@Yufei Li, Zaiwei Zhang, Mingfu Liang, Kavosh Asadi, Jay Xu, Jimmy Kim, Chongyang Bai, Jieyi Zhang, Hongye Xie, Prachi Agrawal, Dian Yu, Tianyi Chen, Jean-Pascal Billaud, Garret Buell, YK, Zhu, Sachin Patil, Brooke Bian, Zhou Fang, Kevin Huang, Shiva Sudanagunta, Yuzhen Huang, Emma Lu, Chris O'Brien, Yang Song, Lihong Li, Jacob Tao, Zhicheng Zhu, Chao Li, Gaoxiang Liu, Neil Wu, Zhongyin Hu, Li Han, Loki Chen, Ming Lei, Greg Rehm, Siyuan Song, Tianwei Zhang, Li Li, Ketan Singh, Yavuz Yetim, Ilyas Atishev, Satendra Gera, Ashkan Sadeghi, Rachel Yan, Nikko Mizutani, Shuaiwen Wang, Song Yang, Zhijing Li, Jiang Liu, Mengying Sun, Fei Tian, Xiaohan Wei, Chonglin Sun, Parish Aggarwal, Kaushik Rangadurai, Zhi Hua, Frank Shyu, Ruchit Sharma, Liyuan Li, Shike Mei, Wenlin Chen, Santanu Kolay, Ben Schulte, Deepak Chandra, Adam, Song, Sandeep Pandey, Xi Liu, Hamed Firooz, Luke Simon

GR2是一个端到端的生成式推理重排序框架，面向工业推荐系统的重排序阶段。它采用语义ID分词器（唯一性≥99%）、从更强教师模型进行推理蒸馏，以及基于可验证奖励的强化学习。在工业规模流量上，GR2相比基线实现R@1提升18.7%、R@3提升7.1%、N@3提升9.6%。论文还发现奖励设计至关重要，LLM可能通过保持输入顺序或利用位置偏差来“欺骗”奖励。

论文 GR2 推荐系统重排序推理模型强化学习

推荐理由：这篇论文提出了GR2，在工业重排序上拿下了18.7%的召回提升，还解决了LLM作弊奖励的问题，做推荐系统的可以看看。

原文

09:52

官方账号arXiv cs.LG@Johan Land

该论文针对ARC-AGI-2视觉推理基准提出一种新求解器，将文本、图像和代码作为独立搜索算子生成多样候选轨迹，并通过上下文保留的整体判断模型在长上下文提示中联合比较所有候选。在ARC Prize半私有评估集上取得72.9%准确率，成本38.99美元/任务，超过GPT-5.2 Pro的54.2%和Gemini 3 Pro的54.0%。在公开评估集上达到76.1%，成本19.69美元/任务。作者开源完整代码，并报告了负面结果，如规定性提示模板和迭代细化会系统性降低假设多样性。

论文 ARC-AGI-2 GPT-5.2 Pro Gemini 3 Pro 推理模型多模态

推荐理由：这篇论文的方法很实在，用多模态搜索加整体判断，在ARC-AGI-2上做到了72.9%，比GPT-5.2 Pro高了将近19个点，代码还开源了。

原文

09:40

官方账号arXiv cs.LG@Zena Al-Khalili, Rafi Hakim, Dietrich Klakow, Ji-Ung Lee

Fork-Think提出一种新范式：先通过模型置信度在单条路径上识别分流点，再触发多分支采样并聚合。在三个模型和三个推理基准上，相比并行思考，Fork-Think节省了30%的token消耗和57%的推理时间，性能持平或更优。结合早停和加权投票后，无需预热即可达到现有最优方法。

AI模型 Fork-Think 推理模型推理效率置信度

推荐理由：Fork-Think让LLM推理更省钱省时间——先找准关键点再思考，token少用30%，速度快57%，效果还不输并行方法。

原文

09:31

官方一手arXiv: DeepSeek@Zhiqing Tang, Size Li, Hanshuai Cui, Zilan Huang, Jianxiong Guo, Tian Wang, Yuan Wu, Weijia Jia

DeepSeek-R1等大型推理模型通过长链思维（CoT）获得强性能，但边缘设备资源受限。现有基于置信度的早退方法从单请求角度固定阈值，忽略多请求并发和负载波动。提出LASER，包含负载感知自适应退出阈值和难度-负载感知推理预算预分配。在2个推理模型、4个基准、不同负载条件下，平均延迟降低17-38%，SLO满意度提升3-6%，准确率仅损失1%。

论文 DeepSeek-R1 LASER 推理模型边缘计算早退

推荐理由：想减少长链推理的延迟？LASER用负载感知早退，在边缘设备上平衡速度和准确率，值得一试！

原文

09:26

官方一手arXiv: DeepSeek@Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Jiann Shiun Yuan

一项研究分析了六种开源模型家族（DeepSeek-R1、Gemma-2、Llama-3、Mistral、Phi-3、Qwen-2.5）在任务导向对话中面对数据库调用失败时的表现。基于MultiWOZ 2.2（5领域）和SGD（20领域）构建的故障注入基准显示，朴素智能体在30.5%（MultiWOZ）和20.9%（SGD）的失败轮次中产生幻觉。提出的Guided-Retry策略无需重新训练即可将MultiWOZ上的幻觉率从30.5%降至15.3%（降低50%），SGD上从20.9%降至12.2%（降低42%）。但各模型残差幻觉仍达6-37%，跨域失败最难处理。

论文 DeepSeek-R1 Gemma-2 Llama-3 Mistral Phi-3 Qwen-2.5 MultiWOZ SGD 对话系统推理模型

推荐理由：论文用实际数据告诉你，数据库出错时LLM会瞎编内容，但加个简单提示就能把幻觉砍掉一半。不用重训模型，看各家的差距有多大。

原文

09:22

官方一手arXiv: DeepSeek@Zhe Dong, Fang Qin, Manish Shah

精选

论文提出LearnStop方法，在固定预算检查点从推理前缀预测正确性，使用答案置信度、熵、前缀投票份额等特征。在GSM8K、MATH-500、MMLU-Pro、AIME-90、GPQA等18个任务-模型设置上评估，涉及Qwen3和DeepSeek-R1蒸馏模型。在GSM8K上使用Qwen3-32B时，后验峰值自适应增益达+0.157，验证选择操作点保持正增益。在多项选择和极难设置上，标量置信度、熵或稳定性规则更具竞争力。结论：学习停止的价值取决于轨迹结构，当许多问题在预算结束前变正确但缺乏可靠标量停止信号时有用。

论文 LearnStop 推理模型 GSM8K MATH-500 DeepSeek-R1

推荐理由：这篇论文分析了推理模型什么时候该提前停止计算。LearnStop在数学题上比简单规则好，但难题还是用置信度更靠谱。

原文

08:52

小互@imxiaohu

据爆料，Google 将在今晚发布代号为🍌的新模型和低配版 Omni 模型。同时，Anthropic 的 Claude Sonnet 5 也预计在今晚发布。OpenAI 目前尚无相关动态。

AI模型 Google Claude Sonnet 5 Anthropic 推理模型

推荐理由：听说了吗？Google 和 Anthropic 今晚可能要发新模型，Claude Sonnet 5 和 Google 新模型，可以蹲一下。

原文

08:14

Claude@claudeai

91°

Anthropic 推出 Claude Sonnet 5，定位为最具 agentic 能力的 Sonnet 模型。它能够自主制定计划，并使用浏览器、终端等工具执行任务。据称其自主运行能力达到了几个月前需要更大、更昂贵模型（如 Opus 级别）才能实现的水平。该模型通过 Twitter 发布，已获得 3000+ 转发和 31000+ 点赞。

AI模型 Claude Sonnet 5 Anthropic 智能体推理模型自主工具使用

推荐理由：Anthropic 新出的 Sonnet 5 能自己用浏览器和终端干活，自主性堪比之前更大更贵的模型，值得看看。

原文

08:12

Claude@claudeai

88°

Anthropic 推出 Claude Sonnet 5，早期合作伙伴发现它能完成之前 Sonnet 系列中断的复杂任务。该模型无需提示即可自动检查自身输出。它还能以有吸引力的价格执行完整的智能体工作。

AI模型 Claude Sonnet 5 Anthropic 推理模型智能体

推荐理由：Anthropic 新出的 Sonnet 5 能自己检查结果，做复杂任务还便宜，挺靠谱的。

原文

05:45

05:45官方账号Simon Willison’s Weblog（博客/媒体）

Anthropic 发布了 Claude Sonnet 5，其性能接近 Opus 4.8 但价格更低。模型支持 1M 上下文窗口和 128K 输出 token，自适应思考默认开启。新 tokenizer 使英文文本 token 数增加约 30%，实际成本上升约 30%。定价保持 Sonnet 4.6 水平：$3/百万输入、$15/百万输出，8月31日前有折扣。

AI模型 Claude Sonnet 5 Anthropic 推理模型上下文窗口 tokenizer

推荐理由：Anthropic 刚发了 Sonnet 5，性能接近 Opus 4.8 但更便宜，不过新 tokenizer 会让你的账单多掏 30%，用之前先算好账。

原文

04:32

coderabbitai@coderabbitai

CodeRabbit AI 对 Claude Sonnet 5 进行了代码审查基准测试。结果发现，该模型在生成更干净的评论方面表现突出，评论精度相比前代提升约9%。模型展现出更深层的思考能力，并在编码技能上有所增强。完整评测细节已在下方链接中公布。

AI模型 Claude Sonnet 5 代码审查推理模型基准测试

推荐理由：CodeRabbit AI 跑了 Claude Sonnet 5 的代码审查评测，评论精度提了9%，编码更聪明，值得看看细节。

原文

03:21

elvis@omarsar0

88°

Anthropic 发布 Claude Sonnet 5，专为长期运行的代理任务优化。相较于前代 Sonnet，Sonnet 5 在代理任务可靠性上有显著提升，同时大幅强化了计算机使用（Computer Use）能力。该模型能够自主制定计划、使用浏览器和终端等工具，且运行自主性接近几个月前需要更大更贵模型才达到的水平。

AI模型 Claude Sonnet 5 Anthropic 智能体推理模型

推荐理由：Claude Sonnet 5 来了，做长期代理任务比以前稳多了，还能自己用浏览器和终端，值得试试。

原文

03:18

The Rundown AI@therundownai

83°

Anthropic发布了新模型Claude Sonnet 5。相比Claude 4.6，该模型在编码和智能体能力上有大幅提升。其知识工作分数超过了Opus 4.8。

AI模型 Claude Sonnet 5 Anthropic 编码智能体推理模型

推荐理由：Anthropic出了Claude Sonnet 5，编码和智能体能力比4.6强很多，知识工作分数甚至超过了Opus 4.8，值得试试。

原文

02:58

官方一手AWS Machine Learning Blog@Aamna Najmi

76°

Anthropic 发布 Claude Sonnet 5，这是其最新一代的首个 Sonnet 模型，已在 Amazon Bedrock 和 AWS Claude Platform 上可用。该模型在编码、智能体任务和日常专业工作中提供顶级智能，定价保持 Sonnet 系列标准。基于此前 Sonnet 4 的架构升级，Sonnet 5 在多个基准测试中表现领先。

AI模型 Claude Sonnet 5 Anthropic AWS 推理模型编程助手

推荐理由：Anthropic 把最强 Sonnet 模型放到 AWS 上，编码和智能体任务更强，价格还不变。

原文

02:17

官方账号NVIDIA AI@NVIDIAAI

Nemotron Labs发布了一项基于5000名Kaggle竞赛参与者数据的研究。他们分析了参与者的解题行为与推理策略。研究揭示了团队协作和多样化方法对提升AI推理效果的关键作用。这些经验可直接应用于现有模型的优化。

论文 Nemotron Labs Kaggle NVIDIA AI推理推理模型

推荐理由：Nemotron Labs用5000个Kaggle实战案例总结了AI推理的改进方法，比看论文更接地气。

原文

6月30日

22:50

官方账号阶跃星辰 Stepfun@Stepfun_AI

Step 3.7 Flash 本月在 OpenRouter 平台上处理了4.29万亿 tokens，进入该平台流量前十。开发者将其用于真实 agent 运行、编程任务和长上下文工作流。模型在处理复杂任务时表现稳定，获得社区积极反馈。

AI模型 Step 3.7 Flash OpenRouter 推理模型编程助手智能体

推荐理由：Step 3.7 Flash 在 OpenRouter 上月流量超4万亿 tokens，开发者拿它跑智能体、写代码，又稳又快。

原文

16:51

官方账号Decoder@Matthias Bastian

DeepSeek发布新框架DSpark，将每位用户的响应速度提升60%至85%。该框架使用小型模型生成候选token，再由大型模型批量验证。通过优化计算流程，DSpark能在更少芯片上榨取更多性能。这有助于减少中国对高端美国芯片的依赖。

AI模型 DeepSeek DSpark 推理模型效率优化 AI芯片

推荐理由：DeepSeek的DSpark用小型模型提候选token、大模型批量验证，让速度提升85%，还减少了芯片需求，挺实用的。

原文

14:34

Suhail@Suhail

一条推文揭示了闭源推理模型（如Claude、GPT系列）的原始推理轨迹，这些轨迹通常对用户隐藏。数据表明模型会像人类一样过度思考。Dustin Tran指出，通过更好的长度惩罚（length penalty）可以减少这种过度思考，而无需新的奖励函数。讨论涉及并行与顺序工具调用、工具与基座模型能力边界、单智能体与子智能体等策略。

AI模型推理模型长度惩罚闭源模型 Dustin Tran

推荐理由：看看闭源模型暗地里怎么想问题的——它们也会纠结和自我怀疑，而长度惩罚可能就是解药。

原文

13:53

官方账号arXiv cs.AI@Subramanyam Sahoo, Aman Chadha, Vinija Jain, Divya Chaudhary

论文在Qwen3-14B策略上采用DPO，设置三个保守度β（低、中、高），并在在线适应中使用3×Qwen3-1.7B奖励集成。在GSM8K基准上测量准确率，发现更高保守度单调增加奖励黑客损伤，Goodhart gap及其曲线下面积AUGC的Spearman ρ=1.0。机制分析表明，高β DPO压缩策略熵，导致响应多样性降低，但集成分歧增加且被更快利用。论文进一步拟合幂律曲线，确定了平衡对齐保真度和漏洞的最优保守度β*。

论文 Qwen3-14B DPO GSM8K 推理模型 RLHF

推荐理由：这篇论文用Qwen3-14B和DPO实验证明，离线训练越保守，在线适应越容易翻车，还在GSM8K上给出了最优保守度公式。做RLHF的值得一读。

原文

13:17

Geek@geekbb

精选

Qwythos 9B 基于 Qwen3.5-9B，在 5 亿 token 的 Claude 思维链轨迹上全参数微调，可处理 1M 上下文。支持原生 Function Calling 和多模态视觉（图像+文本）。GGUF 量化后仅 5.2 GiB，可在低配设备上运行。该模型为开源且未经审查。

AI模型 Qwythos 9B Qwen3.5-9B Claude 推理模型多模态

推荐理由：Empero AI 开源的 Qwythos 9B 把 Qwen3.5 和 Claude 思维链结合，1M 上下文加 Function Calling，量化后 5.2GB 的推理模型，低配机器也能跑。

原文

12:49

官方账号阶跃星辰 Stepfun@Stepfun_AI

Step 3.7 Flash 在 Nous Portal 上获得实际应用，用户正在用它测试、构建和运行各种智能体工作流。该项目由 Nous Research 合作推进，并保持免费访问。官方邀请用户试用并分享成果。

AI模型 Step 3.7 Flash Nous Portal Nous Research 智能体推理模型

推荐理由：快去 Nous Portal 上免费试用 Step 3.7 Flash，用它搭建各种智能体工作流，体验它的实际效果。

原文

12:39

官方一手arXiv: DeepSeek@Lei Bai, Zongsheng Cao, Yang Chen, Zhiyao Cui, Shangheng Du, Yue Fan, Shiyang Feng, Zijie Guo, Haonan He, Liang He, Xiaohan He, Shuyue Hu, Yusong Hu, Songtao Huang, Yichen Jiang, Hao Li, Xin Li, Dahua Lin, Weihao Lin, Fenghua Ling, Dongrui Liu, Zhuo Liu, Runmin Ma, Chunjiang Mu, Haoyang Peng, Tianshuo Peng, Jinxin Shi, Luohe Shi, Boyuan Sun, Zelin Tan, Shengji Tang, Qianyi Wang, Yiming Wu, Yi Xie, Xiangchao Yan, Jingqi Ye, Peng Ye, Fangchen Yu, Jiakang Yuan, Bihao Zhan, Bo Zhang, Chen Zhang, Shufei Zhang, Shuaiyu Zhang, Wenlong Zhang, Yiqun Zhang, Junpeng Zhao, Zhijie Zhong, Bowen Zhou, Yuhao Zhou

精选

Agents-A1是一个35B参数的Mixture-of-Experts智能体模型，通过扩展智能体视野（平均轨迹长度45K tokens）达到万亿参数级别性能。它在SEAL-0（56.4）、IFBench（80.6）、HiPhO（46.4）、FrontierScience-Olympiad（79.0）和MolBench-Bind（56.8）上超越了1T参数的Kimi-K2.6和DeepSeek-V4-pro，在SciCode（44.3）、HLE（47.6）和BrowseComp（75.5）上也具有竞争力。训练采用三阶段流程：全领域SFT、领域级教师模型、多教师领域路由在线蒸馏。

AI模型 Agents-A1 35B 智能体推理模型 MoE

推荐理由：35B的模型干翻万亿参数？Agents-A1用长视野扩展和智能体框架做到，基准全面领先，值得看看怎么训练的。

原文

12:27

官方账号NVIDIA AI@NVIDIAAI

NVIDIA 宣布其 Nemotron 模型与 LangChain 集成，覆盖从推理到编排的智能体工作流。开发者可在开放栈上自定义、调优和部署模型。该集成面向生产环境，基于 LangChain 框架实现灵活编排。Nemotron 是 NVIDIA 的前沿智能体性能模型，支持多种部署方式。

AI产品 NVIDIA Nemotron LangChain 智能体推理模型

推荐理由：NVIDIA的Nemotron现在接入了LangChain，你可以按需调优和部署智能体，不受厂商锁定，适合做定制化AI代理。

原文

11:14