AITOP

推理模型

共 1080 条相关 AI 资讯 · 查看话题观测
7月23日
18:29
18:29Ate-a-Pi@svpino
Apodex Frontier Program 每月为初创公司和机构提供10万美元计算积分，参与者可访问 Apodex Deep Discover 求解器。该求解器基于 Apodex 1.0-H 模型，模型像智能体团队工作：编排器分解任务并派生多达150个专用子代理，每个子代理异步执行独立上下文和工具。模型通过生成→验证→修改过程改进推理，验证由独立代理团队（冲突审核、事实检查、起草审核）完成，不依赖答案键。在单次任务中，模型能协调150个子代理执行超过15000步。
AI模型ApodexApodex 1.0-HDeep Discover
推荐理由：Apodex 1.0-H 让智能体团队协作处理复杂任务，还用独立验证提升准确率。每月10万算力补贴，研究机构别错过。
原文
17:46
16:46
16:46IT之家（博客/媒体）
76°
皮查伊在财报电话会上回应投资者对Gemini模型延期的担忧。原定6月发布的Gemini 3.5 Pro仍未推出，而竞争对手OpenAI、Anthropic加速发布。皮查伊强调Gemini Flash系列的重要性，本周发布的Gemini 3.6 Flash在一项AI编程基准测试中成绩提升10分以上，且Token更少。他透露下一代Gemini 4将近乎按月迭代，并计划发布更大规模模型以重回前沿。Alphabet同时将资本支出提高150亿美元至1950-2050亿美元。
行业Gemini谷歌编程助手
事件专题
推荐理由：皮查伊正面回应谷歌AI是不是掉队了，说Gemini 4马上按月更新，还发布了编程更强、更便宜的Gemini 3.6 Flash。
原文
11:32
11:20
07:32
07:01
07:01官方账号Together AI@togethercompute
精选
使用DeepSWE基准对比了Kimi K3 Max和GPT 5.6 Sol Max在软件工程任务上的表现。Kimi K3 Max达到了与GPT 5.6 Sol Max相当的性能，而价格仅为后者的约55%。将两个模型联合使用时，性能可额外提升约16%。
AI模型Kimi K3 MaxGPT 5.6 Sol MaxDeepSWE
事件专题
推荐理由：Kimi K3 Max性价比炸裂，软件工程能力不输GPT 5.6 Sol Max，混合使用还能再提分，值得关注。
原文
04:02
04:02官方账号NVIDIA AI@NVIDIAAI
精选74°
在Kaggle的NVIDIA Nemotron模型推理挑战赛中，该团队获得第一名。核心方法是训练模型记忆最小问题模式及其候选解，推理时进行搜索和验证。详细报告已公开在doi.org/10.34740/kaggle…。
AI模型NVIDIANemotronKaggle
事件专题
推荐理由：这个Kaggle第一名的方法很简单有效：让模型记住问题模式再搜索匹配，值得研究。有开源报告。
原文
7月22日
18:01
18:01官方账号Logan Kilpatrick@OfficialLoganK
精选
Anthropic 发布了 3.6 Flash 模型，专门针对真实世界任务的智能体（agentic）用例进行优化。该模型在 AA（Anthropic 的 Agentic Assessment）覆盖的推理基准上分数没有变化，因为团队并未优先优化那些基准。主要改进方向是提升在复杂多步任务中的实际表现。
AI模型3.6 FlashAnthropic智能体
事件专题
推荐理由：Anthropic 给 3.6 Flash 做了针对性更新，专攻真实世界的智能体任务，不是刷推理榜单。看它实际干活行不行。
原文
17:19
15:27
14:05
14:04
14:04官方一手歸藏(guizang.ai)@op7418
78°
谷歌上线Gemini 3.6 Flash模型，相比3.5 Flash在编码、推理和工具调用上有所提升，在DeepSWE基准上输出token减少高达65%。同时推出速度更快的3.5 Flash-Light模型。谷歌宣布已开始训练Gemini 4，称规模为史上最大，目标对标GPT-5.6和Fable 5。目前模型迭代速度落后于一月一版的竞品。
AI模型Gemini 3.6 FlashGoogleGemini 3.5 Flash
事件专题
推荐理由：谷歌出了Gemini 3.6 Flash，日常模型更强了，编码和推理升级，还省了最多65%的token。另外还有个更快的3.5 Flash-Light，Gemini 4也在训练了，可以关注。
原文
13:00
13:00官方账号arXiv cs.AI@Lizhe Fang, Weizhou Shen, Tianyi Tang, Yisen Wang
研究指出长上下文LLM存在重复复制问题，即模型将输入文本大量复制到推理轨迹中。通过将提示划分为关键证据和干扰上下文，发现根本原因是模型未充分关注关键证据。提出GEAR（Grounding Evidence-Aware Reward）奖励塑造方法，包含关键证据重叠奖励和干扰惩罚。在多个模型规模和基准测试中，GEAR相比基于准确率的强化学习平均提升最高+4.6点，且在更长上下文中效果更大。结果表明准确接地于相关证据是长上下文推理中不可或缺的能力。
论文GEAR证据感知强化学习
推荐理由：这篇论文发现了LLM长上下文推理时爱复制原文的毛病，用GEAR奖励方法逼模型关注关键证据，效果立竿见影，适合做RL调优的参考。
原文
12:58
12:09
12:09官方账号arXiv cs.LG@Hanqing Zhu, Wenyan Cong, Zhizhou Sha, Sagnik Mukherjee, Xinyuan Song, David González-Martínez, Xiaoxia Wu, Yuandong Tian, Shiwei Liu, David Z. Pan, Zhangyang "Atlas" Wang
ISO是一种专门为可验证奖励强化学习（RLVR）设计的优化框架。它通过保持基模型的权重谱不变，仅优化输入输出奇异帧来实现模型适配。离线版本ISO-Merger无需数据或梯度就能合并多个专家模型，在无数据合并方法中性能最强。在线版本ISO-Optimizer在Qwen3-8B-Base上，仅用100步就达到AdamW需270步的准确率（0.495），210步后进一步提升至0.509。实验覆盖1.5B到8B参数的推理与代码任务。
AI模型ISORLVRQwen3
推荐理由：如果厌倦了RLVR微调慢慢跑，试试ISO：只用1/3的训练步数就能达到同等效果，Qwen3-8B上实测有效，代码开源。
原文
12:06
12:06官方账号arXiv cs.LG@Priyank Agrawal, Ankur Samanta, Shervin Ghasemlou, Jalaj Bhandari, Kavosh Asadi, Daniel Jiang, Aditya Modi
标准RLVR在模型无法生成任何正确答案时会得到零学习信号，导致困难问题无法收敛。Off-Context GRPO通过在训练中引入解法前缀作为特权引导，使模型获得非零奖励。该方法通过重要性校正目标避免引导与原始目标的偏差，在标准数学推理基准上比vanilla GRPO平均绝对提升3.9%（相对提升13.8%），且额外成本可忽略。
论文Off-Context GRPOGRPORLVR
推荐理由：模型一遇到难题就原地踏步？这篇论文给出了一个简单又有效的解法：给模型一点'提示'，效果直接涨3.9%，成本几乎为零。
原文
11:33
11:33官方账号arXiv cs.LG@Michael Jungo, Aixiu An
该研究探讨了基于可验证奖励的强化学习（RLVR）在神经机器翻译（NMT）后训练中的应用。实验发现，在推理阶段保留模型的推理痕迹能显著提升翻译质量，尤其在法律文档翻译中表现突出。但推理过程导致输出token数量增加约30%，需在计算成本与翻译质量间权衡。研究通过系统性地从训练或推理阶段移除推理轨迹，明确了推理痕迹对质量的贡献主要来自推理阶段而非训练阶段。
论文RLVR神经机器翻译强化学习
推荐理由：这篇论文用实验告诉你：机器翻译加推理步骤质量更好，但token成本涨三成，做生产部署前得算清楚这笔账。
原文
11:26
11:26官方一手arXiv: DeepSeek@Qunhui Zhang
VirtualSet提出将LLM的生成目标从SQL替换为类型化的set expressions，通过Generic Constraint Projection在执行前检测类型错误。在BIRD基准的1,072题测试集上，使用deepseek-reasoner模型，VirtualSet达到67.5%准确率，高于直接SQL的63.5%（McNemar exact p=0.00117）。在一个30个动作的防护测试中，VirtualSet成功拦截全部20个幻觉动作且零误报。该方法在保持SQL基准竞争力的同时，提供了写操作前的语义决策保障。
AI模型VirtualSetdeepseek-reasonerBIRD
事件专题
推荐理由：VirtualSet让LLM不用冒SQL幻觉的风险，改天用类型安全的set表达式，BIRD上准确率反超4个百分点，写操作还能拦截瞎编的数据输入。
原文
10:57
10:54
08:47
08:25
08:25elvis@omarsar0
精选
该研究在InfiniteBench上使用三种Agent Harness和三种模型家族（如Llama、Mistral等）测试了渐进式披露模式。对于单本书任务，增益依赖Harness：当智能体导航原始文档能力差时增益大，强Harness自带检索时增益接近零。扩展到多本书时，原始导航失败，一级披露效果领先，但二级路由层从未帮助且有时降低精度。论文表明渐进式披露主要提供上下文而非智能，在大规模语料下才体现关键作用。
论文智能体渐进式披露InfiniteBench
推荐理由：这篇论文用三个Harness和三个模型测了渐进式披露，发现小规模下效果看脸，大规模下才有用，二级路由反而坏事，值得搞智能体的人看看。
原文
07:42
07:36
07:33
06:52
06:52OpenRouter@OpenRouterAI
76°
OpenRouter于今天上线了Gemini 3.6 Flash和Gemini 3.5 Flash-Lite两个新模型。两者均支持超过150 tokens/秒的高吞吐量，面向智能体场景优化。模型擅长token高效的编码和知识工作，也可用于低延迟高并发的子智能体。这是Gemini系列的最新升级，进一步提升了性能和响应速度。
AI模型Gemini 3.6 FlashGemini 3.5 Flash-LiteOpenRouter
事件专题
推荐理由：OpenRouter上了两个新模型：Gemini 3.6 Flash和3.5 Flash-Lite，吞吐超150 tok/s，适合做智能体和子智能体，跑代码和知识工作很快。
原文
04:17
04:16
01:49
01:34
01:03
01:03Google AI Developers@googleaidevs
76°
Google 推出 Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite 两款新模型，旨在提升智能体工作流的可扩展智能、token 效率和低延迟。Gemini 3.6 Flash 是主力模型，Gemini 3.5 Flash-Lite 是轻量版。据官方声明，新模型可支持更复杂的多步推理任务。
AI模型Gemini 3.6 FlashGemini 3.5 Flash-LiteGoogle
事件专题
推荐理由：Google 出了两个新模型 Gemini 3.6 Flash 和 3.5 Flash-Lite，专为智能体场景优化，延迟更低、token 更省，做自动流程的可以看看。
原文
00:53
00:27
00:26
00:26小互@imxiaohu
76°
Google 推出三款新模型：Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber。Gemini 3.6 Flash 相比 3.5 Flash 节省约 17% 输出 Token，编程场景最高节省 65%。其输入价格 $1.50/百万 Token，输出 $7.50/百万 Token。Computer Use 成功率提升至 83%，并内置安全机制防御越狱和滥用。3.5 Flash Cyber 专攻网络安全。
AI模型Gemini 3.6 FlashGoogle3.5 Flash-Lite
事件专题
推荐理由：Google 发布了三款新模型，其中 Gemini 3.6 Flash 在省钱和代码能力上明显提升，编程场景能省 65% Token，Computer Use 成功率 83% 值得一试。
原文
00:04
7月21日
23:20
23:15
18:54
18:54The Rundown AI@therundownai
71°
Claude参与证伪一个持续87年的数学猜想，展示了AI在高级数学推理中的能力。该问题此前长期未被解决，Claude的推理过程被研究者用于辅助验证。这一成果凸显了大型语言模型在数学证明中的应用潜力。
AI模型Claude数学推理推理模型
推荐理由：Claude又帮数学家解决了一个87年的老问题，看看它怎么用逻辑推理证伪数学猜想的。
原文
18:35