Microsoft 提出 Taste-Bench：智能体在任务分叉点仅 59.7% 选对方向
Microsoft 这篇论文做了个 Taste-Bench，专门考智能体在任务分叉时选路的品味，最强模型也就答对 59.7%，还发现加大推理预算没用。
#推理模型
共 1708 条 · 7 天 158 条 · 30 天 482 条 · 话题观测 →
9月25日
Step-5-Preview 实测：输出稳、Agent Loop 迭代强，前端仍是短板
StepFun 的 Step-5-Preview 实测来了，输出特别稳，还能钻规则空子赚积分，前端偏弱，想选国产模型写代码的可以看看。
Grok 4.7 登上 Agent Arena 第16名，单任务成本升至 $1.14
xAI 的 Grok 4.7 上 Agent Arena 榜了，任务成功率明显变好，但单任务价格从 $0.74 涨到 $1.14，省钱党可以先观望。
DeepMind 负责人称 Gemini 4 已进入 post-training 阶段
Google DeepMind 的新掌门亲自确认 Gemini 4 在做 post-training 了，毕竟 3.5 Pro 跳票、对手 Claude 5 和 GPT-6 都已经出街，这篇讲清楚了 Google 下一步怎么追。
ExplorationBench 发布：用可验证的异星世界评测 AI 科学探索能力
这个评测思路挺聪明：造出规则完全陌生的异星世界，模型没法靠背题，只能真去探索。评测了 10 个系统的表现，结果有些意外。
EnigmaForge 基准：不给问题只给故事，25 个模型直觉能力差 22 倍
25 个模型在这个基准上只给故事不给问题，直觉成绩差了 22 倍，排名和常规榜单完全对不上，还有模型被自己的过滤器拦住，很值得细看。
GRASP 框架提出分阶段规划方法，多项基准超越 GPT-5-mini
一篇很硬的论文：把规划拆成生成、修订、评估三个隔离模块，ZebraLogic 上比直接让 LLM 规划高 30.8%，还压过 GPT-5-mini 14.5%。
论文09:48
层级贝叶斯分析显示：推理模型规模扩大能力递减，效率几乎不变这项研究拿 DeepSeek-R1-Distill 全系列做实验，结论挺扎心：模型变大只是解题能力强了一点，推理消耗的 token 一点没省，想靠堆规模提效率可能走不通。
GPT-6 Luna (Max) 登上 Code Arena: WebDev 第 24 名，价格降至混合 $0.40/M token
OpenAI 把 GPT-6 Astra 的能力下放到 Sol 和 Luna 两个便宜模型，Luna 编码榜涨了 74 分，API 价格还砍了一半，跑批量任务可以看看。
Boltzbit 提出 Bayesian Self-learning Transformers，用参数更新替代外部记忆
Boltzbit 给出了智能体自我改进的第二条路：直接改权重而不是堆记忆，理论上算力省约 1000 倍，思路很值得琢磨。
Contrastive Language Model 发布：8B 参数，推理速度达 Jev 的 9 倍
做自定义 harness 的可以看看 CLM-8B，比 Jev 快 9 倍，DeepSWE 跑到 81.6%，代码和模型都开源了。
Sonnet 5.5 疑似低调测试：1M 上下文、输出 $10/百万 tokens
Sonnet 5.5 被偷跑测试了：100 万 tokens 上下文，价格直接对标 GPT-6-Sol，想换模型的可以盯一下。
Google DeepMind 称 Gemini 4 已进入后训练阶段，计划年底前提前发布
Google DeepMind 主管透露 Gemini 4 已进后训练阶段，打算比年底更早放出早期版本再快速迭代，想追新模型的朋友可以盯一下时间线。
RL-Kernel 集成 vLLM：Qwen3-8B 训练与推理 logprob 逐位一致
用 vLLM 做 RL 训练的老大难——训练和推理数值对不上，这次在 AMD MI300X 上真做到了逐位一致，做 RL 的都该看看。
The Information 称 Gemini 4 训练接近完成，或年内早些时候发布
The Information 传 Gemini 4 快训练完了，发布可能比年底早很多，盯着 OpenAI 的朋友可以留意下 Google 这边的时间线。
GLM-5.3 物理模拟测试战胜隐身模型 Space Bunny Alpha
有人拿牛顿摆实测了 GLM-5.3 和 OpenRouter 上的神秘新模型，物理模拟谁更靠谱一看便知，还有难倒两个模型的翻车场景。
MiMo-V2.6-Pro、Claude Opus 5.5 等四款模型刷新性价比前沿
Claude Opus 5.5 拿下 58 分登顶，但 $0.13 的 MiMo-V2.6-Pro 得分 46，性价比党可以直接看这张图选模型。
9月24日
前 OpenAI 研究副总裁 Jerry Tworek：当前 AI 的短板在简单任务的失败率
前 OpenAI 研究副总裁 Jerry Tworek 说，模型做数学编程很猛，但简单任务照样翻车，光堆模型能力不够。
Google 宣布 Gemini 4 已进入早期 post-training 阶段
Google 官宣 Gemini 4 进入 post-training 了，初步版本很快就来，盯着 OpenAI 那边的朋友可以对照看看进度。
Zenith 系统让 DeepSeek v4.1 Flash 在长程任务上超过 GPT 5.6 Sol
Zenith 用最便宜的 DeepSeek v4.1 Flash 打赢了 GPT 5.6 Sol，开源党可以看看它怎么做到的。
Google DeepMind 新任负责人称 Gemini 4 已接近发布
DeepMind 新掌门首次开口，说 Gemini 4 就在打磨阶段了，之前一直被 OpenAI 压着打的 Google 这次要追分了。
谷歌 DeepMind 负责人确认 Gemini 4 已进入后训练初期，有望远早于年底推出
Gemini 3.5 Pro 跳票后谷歌直接憋了个 Gemini 4，已经进入后训练阶段，年底前就能见到，内部员工还拿它跑编程工具了。
Boltzbit 与剑桥团队提出 BAST：用超网络把对话知识动态写入权重
Boltzbit 和剑桥搞了个新架构，把聊天里的新知识直接编译成 LoRA 权重写进模型，长对话和多轮场景下比 RAG 省算力还更准。
消息称月之暗面 Kimi K3.1 下月发布，支持三档推理强度
月之暗面的 Kimi K3.1 曝光了，会有 Low/High/Max 三档推理和 Swarm 多智能体协作，10 月见分晓。
IT之家原文
JEV 将语义推理引入判别式推理范式，推荐搜索或迎来变革
一位前 TikTok 推荐算法工程师拆解了 JEV 这个新范式，还拿 500 篇 ECCV 论文的查询任务和 Claude 打了个平手，做推荐搜索的值得看看。
Claude Opus 5.5 (Max) 以混合价 $16/Mtoken 登顶性价比前沿
Anthropic 的 Claude Opus 5.5 (Max) 在 LMArena 拿下第一，混合价才 $16 每百万 token，性价比曲线被改写了。
Tencent Hunyuan 研究批大小扩展理论，PPO 生成吞吐提升至 2.29 倍
腾讯混元把经典批大小理论搬进了 LLM 强化学习，实测 PPO 吞吐提升 2.29 倍、GRPO 训练省 29% 时间，做 RL 训练的可以看看怎么调参省钱。
The Information 称 Google 将在两天内发布旗舰 Gemini 4 模型
Google 的 Gemini 4 据说要这两天就发，The Information 爆料的，感兴趣的可以先蹲一下官方消息。
小米 MiMo 团队发布 HySparse2 注意力架构
小米 MiMo 团队搞了个新注意力架构，1M 上下文时 prefill 计算量和 KV cache 都砍到原来的几分之一，长文检索分数还涨了，做长上下文部署的可以看看论文。
OpenAI 推出 GPT-6 Sol 和 Luna，API 定价比 GPT-5.6 便宜 50%
OpenAI 新出的 GPT-6 Sol 和 Luna 便宜了一半，Sol 跑分还超过了 Claude Opus 5，做大批量任务可以认真看看这个定价。
MWE-ECL 诊断基准：可检索的远距离上下文未必能改变模型的局部词 prior
这篇论文造了个诊断集，专门测长上下文模型“找到了但没用上”的问题，DeepSeek 两个模型都被测出检索满分但解读掉分，做长文本评测的可以看看。
研究用贝叶斯模型评估 DeepSeek-R1-Distill 系列：规模越大能力越强但效率不变
这篇用分层贝叶斯方法量化了 DeepSeek-R1-Distill 系列的推理能力与 token 消耗，结论是加大模型只提升能力不提升效率，做选型或研究 scaling 的朋友可以看看。
Fireworks 发布 Ember-1：基于 Kimi K3 减少 40% 推理 token
Fireworks 在 Kimi K3 上做了个减法：推理 token 少用 40% 但质量不掉，跑推理烧钱的朋友可以看看。
