推理模型

近期，AI推理模型领域呈现两大趋势：一是面向智能体与编码场景的高效模型密集发布，二是研究者开始探索类人“休息”机制以提升性能。阶跃星辰发布的Step 3.7 Flash专为智能体和编码优化，强调低延迟与高吞吐；Claude Opus 4.8则通过多步工作流、自我纠错和可靠性提升，进一步强化了自主任务能力。与此同时，CMU研究发现，在特定复杂推理任务中，让模型“睡眠”（即周期性关闭部分单元）可缓解灾难性遗忘并提升性能，这一机制挑战了传统持续训练的范式，但其长期效果和通用性仍需验证。当前焦点在于：如何权衡模型规模、效率与推理深度，以及动态工作流与自我纠错是否真正弥合了AI在长链逻辑中的脆弱性。未来值得观察端侧MoE模型（如Liquid AI的LFM2.5-8B-A1B）在推理任务中的实际表现，以及“睡眠”机制能否从学术研究走向工程落地。