AITOPAI热报

Last

general · First seen 2026-05-22 · Last seen 2026-10-28 · 622 mentions

Overview

Last 在 AI 领域最常见的用法是指“最后一步/末段”相关技术，例如在长链推理中从哪一步重启、对末位 token 或末段输出做优化等策略。随着推理模型的普及，围绕“last”位置的选择收益正在被量化研究，成为提升推理效率的一个新切入点。

Last 相关的近期进展

  • 从推理链哪一步重启更划算？arXiv 论文量化扩展位置的选择收益：arXiv 上的一项研究系统比较了在推理链不同位置重启扩展的效果，其中涉及对链路末段（last 部分）续写的收益测算，为“在哪里继续推理”提供了量化依据。
  • Google Cloud 发布 PLE 基准：85 个真实工程任务，最佳智能体仅得 50.6%：PLE 基准用 85 个真实工程任务衡量智能体的长程执行能力，最佳成绩只有 50.6%，说明模型在任务收尾（last mile）阶段的可靠性仍是短板。
  • MiniMax-M3.1-Flash 发布：Intelligence Index 得 42 分，单任务成本降至 $0.22：MiniMax-M3.1-Flash 在 Artificial Analysis 的 Intelligence Index 中取得 42 分，单任务成本降到 $0.22；配套开源权重共 428B 参数、每次激活 23B，走高效推理路线。
  • OpenAI 发布 GPT-6 Sol 和 Luna，API 价格较 GPT-5.6 降低 50%：OpenAI 推出 GPT-6 Sol 与 Luna 两个型号，API 定价比 GPT-5.6 低 50%，延续了头部厂商的降价节奏。

    • 当前焦点与观察点

    目前围绕 last 相关议题的讨论集中在两点：一是推理链重启位置的量化收益——在链路末端还是中途续写更划算，arXiv 论文给出了初步数据；二是智能体在长任务“最后一公里”的表现，PLE 基准 50.6% 的最佳成绩说明任务收尾与校验环节远未解决。此外，MiniMax 和 OpenAI 的低成本模型发布，也在推动“更便宜地跑完整个推理过程”成为竞争焦点。可以预期，针对推理链末段优化的专门方法会继续出现在后续论文和产品中。

    Coverage

    10 on file