推理模型相关 AI 资讯

模型中美对照官方一手精选73°12:13

美团发布 LongCat-2.5-Preview：1.6T MoE 多模态模型，支持 1M 上下文

美团把 LongCat 升到 2.5 预览版，1M token 上下文加多模态，专门给跑长任务的编程智能体用，不过这次没放跑分数据。

#LongCat #美团 #MoE #多模态

事件专题

官方一手pandaily@[email protected] (Pandaily)2 个信源在谈原文

模型中美对照81°11:14

Qwen3.8-Max 通过递归自我改进完成 33 轮迭代，Artificial Analysis 得分升至 45 分

阿里这次没发新模型，而是让 Qwen3.8-Max 自己训自己，33 轮迭代后成绩追上 Claude 和 GPT，还顺手把多模态价格砍了九成。

#Qwen #阿里巴巴 #递归自我改进 #推理模型

berryxia@berryxia原文

论文 Agent 与开发者10:56

DeepEdu-v1：面向越南教育的智能体教学系统

越南团队把开源模型改造成能跑在消费级 GPU 上的教学助手，检索调用少了 7.7 倍，准确率还从 70% 涨到 79.5%，做本地部署的可以看看。

#DeepEdu-v1 #vLLM #开源模型 #RAG

arXiv cs.AI@Quang Nguyen 等 6 人原文

论文 Agent 与开发者10:28

论文：自监督置信度微调让推理模型生成 token 减少 25%

只用600道题微调，不训练停止机制，就让Qwen、Gemma这些模型推理时少生成25%的token，思路挺有意思。

#Qwen #Gemma #GPT-OSS #推理模型

arXiv cs.LG@Parsa Hosseini 等 9 人原文

论文 Agent 与开发者10:10

PoLar 复现研究：把 Transformer 层当作可调用的函数库

有人在 5 个模型上复现了 PoLar 这篇论文，结论一半成立一半翻车，还发现纠错程序脆弱得离谱，做层路由研究的可以看看。

#PoLar #MCTS #推理模型 #开源模型

arXiv cs.AI@Justus Westerhoff 等 5 人原文

论文 Agent 与开发者09:18

OVDU：面向视觉语言模型的开放词表域遗忘协议

一篇针对 CLIP 这类视觉语言模型的遗忘论文，指出现有方法只会过拟合见过类别，提出的 4 shots 就能超过 8 shots 基线

#OVDU #VLM #Domain Unlearning #Fisher Information

arXiv cs.LG@Sumanth Udupa 等 4 人原文

论文 Agent 与开发者09:12

研究显示推理模型的思考过程会消解部分偏见但制造更多新偏见

这篇 arXiv 论文拿三个 32B 模型做了思考前后对比，发现思考反而制造约 5 倍的新偏见翻转，做公平性评估的人该看看。

#QwQ-32B #DeepSeek-R1 #Qwen3 #推理模型

arXiv: DeepSeek@Deng Pan 等 7 人原文

模型中美对照多源确认76°09:12

Anthropic Claude Sonnet 5.5 灰度测试曝光，定价 $2/百万输入 token

Anthropic 下一款 Sonnet 5.5 被内测网友扒出来了，实测编码干过 GPT-6 Sol，价格只要 $2/百万 token，文章还教你怎么检查自己有没有被灰度到。

#Claude Sonnet 5.5 #Anthropic #GPT-6 #编程助手

事件专题

IT之家11 个信源在谈原文

论文中美对照09:11

研究：LLM 推理投入增加并不能稳定提升量化交易收益

拿 DeepSeek、GPT、Gemini 跑了一年美股、80 万次预测，结论是推理算力花在交易上不划算，做量化的人可以看看实验设计。

#DeepSeek #GPT #Gemini #推理模型

arXiv: DeepSeek@Jiayi Chen, Guiling Wang原文

模型 Agent 与开发者多源确认06:54

Fireworks 推出 Ember-1：基于 Kimi K3，推理 token 用量减少约 40%

Fireworks 拿 Kimi K3 改了个 Ember-1，推理 token 少用 40% 还不掉分，省钱党可以看看。

#Ember-1 #Fireworks #Kimi K3 #推理模型

事件专题

elvis@omarsar06 个信源在谈原文

模型中美对照多源确认精选73°06:03

Fireworks 发布 Ember-1：基于 Kimi K3，token 用量省近四成

Fireworks 在 Kimi K3 上做了后训练，产出 Ember-1，跑编程任务时推理 token 少了 71%，性能不变，省钱明显。

#Ember-1 #Fireworks #Kimi K3 #推理模型

事件专题

Cline@cline6 个信源在谈原文

模型中美对照多源确认05:54

Ethan Mollick：开源与闭源模型差距重新拉大

Mollick 观察到 Fable/Astra 这代闭源模型的 agentic 能力开源模型还没跟上，想跟进开源动态的可以看看。

#Fable #Astra #开源模型 #推理模型

事件专题

Ethan Mollick@emollick11 个信源在谈原文

论文 Agent 与开发者73°02:48

研究称 Transformer 泛化能力有限，可由外部 harness 通过任务分解补足

训练只喂短任务，推理却能搞定32倍长的任务，靠的是外层 harness 做分解，思路挺新颖

#RLM #Transformer #Gary Marcus #泛化能力

Gary Marcus@GaryMarcus原文

产品 Agent 与开发者多源确认01:07

MiniMax-M3.1 Flash Preview 上线 Token Plan

MiniMax 推出轻量快的 M3.1 Flash 预览版，跑大量请求的团队用现有 Token Plan 就能直接调，不用额外配置。

#MiniMax #M3.1 Flash #Token Plan #推理模型

事件专题

MiniMax_AI@MiniMax_AI3 个信源在谈原文

模型中美对照23:57

一张图对比 Opus 5.5 与 GPT 6 的 Benchmark 成绩

有人把 Opus 5.5 和 GPT 6 的跑分放在一张图里了，重点看 Terminal-Bench 4.0，GPT 在跨应用自动化那项表现很猛。

#Opus 5.5 #GPT 6 #Terminal-Bench #推理模型

向阳乔木@vista8原文

行业中美对照多源确认76°23:29

OpenAI Dev Day 可能动作：Astra 降价、发布 Bel、Codex 功能更新

作者把 OpenAI Dev Day 可能的几种打法都列出来了，降价 50% 和新模型 Bel 是重点，比 Codex 小功能更值得盯。

#OpenAI #Codex #Astra #推理模型

事件专题

Bindu Reddy@bindureddy11 个信源在谈原文

行业中美对照多源确认83°20:13

网友称 Claude Opus 5.5 性能强且价格低，效率出色

有博主发现 Claude Opus 5.5 又强又便宜，性价比逆天，还顺便猜了下 Sonnet 5.5 会更省，可以关注下。

#Claude #Opus 5.5 #Anthropic #推理模型

事件专题

kimmonismus@kimmonismus11 个信源在谈原文

技巧 Agent 与开发者19:53

近10分钟动画梳理ChatGPT之后AI演进：开放模型、推理模型与智能体

一条10分钟动画把ChatGPT之后的开放模型、推理模型到智能体串成一条线，想快速补全AI演进脉络的可以看看。

#ChatGPT #推理模型 #智能体 #多模态

王树义@wshuyi原文

行业中美对照多源确认83°16:07

传 Anthropic Sonnet 5.5 将于下周发布

爆料说 Sonnet 5.5 下周就来，定价还便宜，直接对标 GPT-6-Sol，MiniMax-M3.1 也要跟着发，蹲一个官宣。

#Sonnet 5.5 #Anthropic #OpenAI #MiniMax-M3.1

事件专题

kimmonismus@kimmonismus11 个信源在谈原文

模型 Agent 与开发者多源确认12:04

Yuchen Jin称Claude Opus 5.5编程能力不如Astra

Yuchen Jin直接说Claude Opus 5.5不如Astra，还断言编程能力从Opus 4.8起就停滞了，看看这个反主流判断

#Claude Opus 5.5 #Astra #编程助手 #推理模型

事件专题

Yuchen Jin@Yuchenj_UW11 个信源在谈原文

模型中美对照多源确认03:32

DeepSeek 新模型基准成绩亮眼，实际使用体验被指不及宣传

DeepSeek 的 Flash 模型号称能打 Fable 和 Astra，但博主实测后觉得没那么神，跑分和实际体验的差距值得聊聊。

#DeepSeek #Flash #Fable #Astra

事件专题

Bindu Reddy@bindureddy11 个信源在谈原文

模型 Agent 与开发者02:36

Jev 占 OpenRouter 分类请求量 27%，超过 DeepSeek V4 Flash

OpenRouter 公布分类请求数据，Jev 拿下 27% 份额，把 DeepSeek V4 Flash 挤到第二，做分类任务可以关注下。

#Jev #OpenRouter #DeepSeek #推理模型

OpenRouter@OpenRouterAI原文

模型中美对照多源确认83°01:49

Claude Opus 5.5 (High) 登顶 Text Arena 榜首

Anthropic 的 Opus 5.5 (High) 拿下 Text Arena 第一，1509 分比上一代高 18 分，前六名全是他们家，价格数据也标出来了。

#Claude #AnthropicAI #Text Arena #推理模型

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83°01:36

Claude Opus 5.5 (High) 以 1509 分重塑 Text Arena 帕累托前沿

Claude Opus 5.5 (High) 在 Text Arena 拿了 1509 分，价格每百万 token 16 美元，选模型时可以参考这个性价比坐标。

#Claude #Anthropic #Text Arena #推理模型

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83°22:36

Google 准备发布 Gemini 4，DeepMind 称已进入后训练阶段

Gemini 4 已经进入后训练阶段，Kavukcuoglu 说可能年底前就发布，目标是追上 Anthropic 和 OpenAI。

#Gemini 4 #Google DeepMind #Anthropic #OpenAI

事件专题

The Information@theinformation11 个信源在谈原文

技巧 Agent 与开发者精选22:25

Reasoning from scratch 第5讲：对数概率打分与自我改进

Raschka 又更新了，这期手把手教你用 PyTorch 算 token 概率给模型答案打分，还搭了一个 self-refinement 循环，最后跑 MATH-500 看效果。

#PyTorch #推理模型 #MATH-500 #对数概率

官方账号Sebastian Raschka@rasbt原文

模型 Agent 与开发者19:57

Kev 4B 开放权重模型上线 OpenRouter，输入价格 $0.042/M

Jared Palmer 的 Kev 4B 上 OpenRouter 了，输出免费、输入每百万 token 才 $0.042，传状态进去就能拿到结构化的回答，做小任务很便宜。

#Kev 4B #OpenRouter #开源模型 #推理模型

OpenRouter@OpenRouterAI原文

模型中美对照多源确认83°10:40

推理成本18个月下降377倍：o3到GPT-5.6 Luna

同一道数学题的思考成本从0.55美元降到0.0015美元，18个月便宜377倍，这速度值得看一眼。

#OpenAI #GPT-5.6 Luna #FrontierMath #推理模型

事件专题

AI Will@FinanceYF511 个信源在谈原文

模型中美对照多源确认精选73°10:24

Claude Opus 5.5 写作风格大变：破折号减少 95%

Anthropic 的 Claude Opus 5.5 把破折号用量砍了 95%，回答还变长了 6%，全靠更短的句子撑起篇幅，数据挺有意思。

#Claude #Claude Opus 5.5 #Anthropic #推理模型

事件专题

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

模型中美对照精选73°10:22

Text Arena 分析 Claude Opus 5.5 写作风格：句子更短、破折号减少 95%

Text Arena 拆了 Opus 5.5 和 5 的写作差异：句子短了 17%，破折号少 95%，但含糊词翻倍，写东西前可以看看。

#Claude #Opus 5.5 #Text Arena #推理模型

lmarena.ai@lmarena_ai原文

产品 Agent 与开发者10:01

TypeSafe 发布首个 Decision 模型 Jev，驱动 Jev Router 智能分流

TypeSafe 做了个叫 Jev 的路由模型，每轮对话前给你的提示词打分，判断该用贵模型还是便宜模型，省钱和保质量二选一的问题它替你算。

#Jev #Jev Router #TypeSafe #模型路由

OpenRouter@OpenRouterAI原文

模型 Agent 与开发者精选10:00

OpenRouter：Jev Router 在五个智能体基准上首 token 延迟最低

OpenRouter 跑了五个 agent 基准，Jev Router 首 token 延迟全场最快，做智能体的可以看看选路由了。

#Jev Router #OpenRouter #智能体 #推理模型

OpenRouter@OpenRouterAI原文

模型中美对照多源确认83°09:51

Claude 在物理学家挑战下完成九圈散射振幅计算，打破八圈纪录

一条提示词扔给 Claude，它跑了几天，花几千美元就把物理学家保持的八圈纪录推到九圈，Lance Dixon 还亲自验证了结果。

#Claude #Claude Science #Anthropic #散射振幅

事件专题

官方账号Anthropic@AnthropicAI11 个信源在谈原文

行业 Agent 与开发者多源确认09:43

Artificial Analysis 两周年：从 o1-preview 到覆盖智能体任务的评价体系

Artificial Analysis 发文回顾两年：o1-preview 开创推理模型，他们的评测指数也从 4 项考试题扩到 10 项智能体任务，能看清评测怎么进化。

#Artificial Analysis #o1-preview #OpenAI #推理模型

事件专题

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

模型中美对照09:40

LMArena周报：GPT-6 Sol 与 Claude Opus 5.5 登场

LMArena 用不到 60 秒讲清 GPT-6 Sol 和 Claude Opus 5.5 到来这周的动态，赶时间可以直接刷这条视频。

#GPT-6 Sol #Claude Opus 5.5 #LMArena #推理模型

事件专题

lmarena.ai@lmarena_ai2 个信源在谈原文

论文 Agent 与开发者73°06:43

LeCun 的自回归批评被"输出错误 token"训练回怼了吗？

有人拿"模型会喊 oops 然后改错"这个训练行为，去质疑 LeCun 那套自回归不能纠错的老论点，争议点很具体。

#Yann LeCun #自回归 #推理模型 #LLM

Teortaxes@teortaxesTex原文

模型中美对照05:54

Qwen3.8-Max 完成 33 轮自动迭代，Artificial Analysis 分数从 40 升到 45

阿里 Qwen3.8-Max 被曝跑了 33 轮自动训练迭代，AA 分数从 40 涨到 45，还有 2.4T 参数的说法。

#Qwen #Qwen3.8-Max #Artificial Analysis #开源模型

Teortaxes@teortaxesTex原文

模型 Agent 与开发者多源确认精选76°03:01

Claude 一次性完成粒子物理 9 圈计算，SLAC 教授独立验证

Claude 一次性把粒子物理计算推到 9 圈，斯坦福教授亲手验算过，物理和 AI 从业者都该看看细节。

#Claude #Anthropic #粒子物理 #AI for Science

事件专题

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

模型中美对照71°22:26

DeepSeek 4.1 Flash 与 GLM 5.3 Flash 相继推出，Flash 系列成为行业趋势

DeepSeek 和智谱都出了 Flash 版本，看来各家都在学 Google 那套分级打法，DeepSeek 可能还要出 Pro 和 Ultra。

#DeepSeek #GLM #Gemini #开源模型

Teortaxes@teortaxesTex原文

模型中美对照22:10

爆料称智谱将推 GLM-5.5 Flash 与 GLM-5.4，Kimi K4 或减少激活参数

有人扒到智谱 GLM-5.5 Flash、GLM-5.4 和 Kimi K4 的命名线索，猜 K4 激活参数比 K3 还少，吃瓜看看。

#GLM #Kimi K4 #DeepSeek #推理模型

Teortaxes@teortaxesTex原文