⌘ K
… 读取采集状态 同步中...
雷

推理能力

模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。

244条精选相关主题论文研究模型发布Agent 智能体

最新精选

第 221–240 条 · 共 244 条
6月10日周二
5月7日周三
  1. Mistral News80

    Mistral 发布 Medium 3 模型并预告后续大尺寸模型

    Mistral AI 正式发布 Mistral Medium 3 模型，并预告未来几周将发布更大的模型。Mistral Medium 3 主打企业场景的性价比与易用性，支持混合、本地或 VPC 部署及自定义微调。

    推荐理由：Mistral 发布中尺寸高效模型，并预告即将推出更大尺寸模型，可帮助判断企业端侧部署的性能与成本拐点。

3月28日周五
  1. Qwen Blog85

    千问正式推出视觉推理模型 QVQ-Max

    千问官方正式发布视觉推理模型 QVQ-Max，该模型能够对图像和视频进行深度分析并开展多步推理，以解决数学题、代码阅读及日常视觉任务。在 MathVision 评测基准上，随着推理链长度的增加，QVQ-Max 的准确率呈现出持续提升的趋势。千问计划在未来加强基于定位技术的地面验证能力，并探索该模型作为操作计算机的视觉智能体的可能性。

    推荐理由：这是千问官方首次正式发布的视觉推理模型，核心变化在于将视觉感知与链式推理结合，可直接查看 MathVision 基准性能来评估其推理深度。

3月6日周四
  1. Qwen Blog81

    QwQ-32B 发布：基于强化学习的推理模型

    Qwen 团队发布 QwQ-32B，通过扩展强化学习（RL）使 32B 参数模型在数学、编码和通用推理任务上达到与 DeepSeek-R1（671B 参数）相近的性能。

    推荐理由：32B 模型通过强化学习在推理能力上对标 671B 参数模型，展示了小参数模型经强化学习提升智能的可行性，并开放了使用代码示例。

2月25日周二
  1. Qwen Blog75

    QwQ-Max-Preview 发布：基于 Qwen2.5-Max 的推理与 Agent 能力预览

    Qwen 团队发布 QwQ-Max-Preview，该模型基于 Qwen2.5-Max 构建，在数学、编码、通用任务及 Agent 工作流中表现突出。官方表示 QwQ-Max 和 Qwen2.5-Max 近期将以 Apache 2.0 协议开源，并计划推出 Qwen Chat APP 以及 QwQ-32B 等更小模型供本地部署使用。

    推荐理由：官方给出 QwQ-Max-Preview 基于 Qwen2.5-Max 的推理与 Agent 能力定位，并预告 Apache 2.0 开源和更小模型端侧部署计划。

1月30日周四
  1. Mistral News85

    Mistral 发布 Mistral Small 3 模型

    Mistral 发布 24B 参数量的 Mistral Small 3 模型，采用 Apache 2.0 许可协议。该模型在同类尺寸中提供最佳性能，速度比 Llama 3.3 70B 快 3 倍以上，并在 MMLU 测试中达到 81% 的准确率。

    推荐理由：Mistral 以 Apache 2.0 协议发布 24B 参数量级模型，在保持比 Llama 3.3 70B 更快响应速度的同时达到相近基准表现。

1月28日周二
  1. Qwen Blog79

    Qwen2.5-Max 发布：大规模 MoE 模型通过阿里云 API 开放

    Qwen 团队发布 Qwen2.5-Max，这是一个预训练于超过 20 万亿 tokens 的大规模 MoE 模型，并经过 SFT 和 RLHF 后训练。在 Arena-Hard、LiveBench、LiveCodeBench 和 GPQA-Diamond 等基准上，Qwen2.5-Max 表现优于 DeepSeek V3。

    推荐理由：原文给出了大规模 MoE 模型的训练规模、后训练方法，以及在关键基准上对比 DeepSeek V3 的领先结果，读者可以据此判断其在推理与编码上的相对位置。

1月27日周一
11月15日周五
  1. Qwen Blog82

    Qwen2.5-Turbo 发布：上下文窗口扩展至 1M 并实现 4.3 倍推理加速

    千问（Qwen）发布 Qwen2.5-Turbo 新版本，将模型上下文长度从 128k 扩展至 1M，支持处理约 100 万英文单词或 3 万行代码，在 Passkey Retrieval 任务中达到 100% 准确率，在 RULER 长文本基准测试中得分 93.1。

    推荐理由：原文给出了Qwen2.5-Turbo将上下文窗口扩展至1M的技术方案、基准测试成绩和推理加速比例，读者可据此对比现有长上下文模型并判断实际可用性。

9月19日周四
  1. Qwen Blog90

    Qwen 团队发布 Qwen2.5 系列基础模型及配套编码、数学专用模型

    Qwen 团队发布 Qwen2.5 系列基础模型，包含 Qwen2.5、Qwen2.5-Coder 和 Qwen2.5-Math。旗舰模型 Qwen2.5-72B 在 MMLU 上得分超过 85，编码能力 HumanEval 超过 85。

    推荐理由：原文披露了覆盖语言、编码、数学的模型矩阵与关键基准得分，读者可据此评估其开源权重在多任务场景下的替代潜力。

  2. Qwen Blog73

    千问开源 Qwen2.5-Math 数学大模型系列

    Qwen2.5-Math 系列正式开源，包含 1.5B、7B 和 72B 参数的基础模型与指令微调模型，以及 72B 数学奖励模型。相比 Qwen2-Math，该系列支持中英文数学问题求解，并新增 Tool-integrated Reasoning (TIR) 模式，显著提升计算精度。

    推荐理由：千问2.5-Math 系列开源了 1.5B 到 72B 参数模型，支持中英双语和 TIR 推理，提供了详细的基准测试数据和去污染方法。

7月24日周三
  1. Mistral News83

    Mistral Large 2 发布：123B 参数支持 128k 上下文，强化编码与推理

    Mistral 发布了 Mistral Large 2，该模型拥有 123B 参数和 128k 上下文窗口，在 MMLU 上达到 84.0% 准确率。其在编码和推理基准上的表现与 GPT-4o、Claude 3 Opus 和 Llama 3 405B 相当。

    推荐理由：官方发布了 123B 参数模型，其编码与推理能力对比了 GPT-4o 等竞品，并开放了微调功能。

7月18日周四
  1. Mistral News88

    Mistral 发布开源模型 Mistral NeMo

    Mistral 发布 12B 模型 Mistral NeMo，上下文窗口达 128k tokens。该模型采用 Apache 2.0 许可证，使用支持 FP8 的量化感知训练，可无损失替换 Mistral 7B，并配备了更高效的 Tekken 分词器。

    推荐理由：12B参数、128k上下文，Apache 2.0开源且支持FP8推理，可直接替换Mistral 7B并兼顾多语言。

7月16日周二
  1. Mistral News65

    Mistral AI 发布模型 MathΣtral

    Mistral AI 发布模型 MathΣtral，该模型基于 Mistral 7B 构建，专注于 STEM 领域复杂多步逻辑推理。MathΣtral 在 MATH 基准上得分 56.6%，在 MMLU 基准上得分 63.47%；在 MATH 基准中，通过多数投票策略得分可提升至 68.37%，结合奖励模型筛选 64 个候选结果后得分达 74.59%。

    推荐理由：官方宣布该模型在多项基准上刷新同尺寸纪录，并公布详细评分与获取入口。

6月21日周五
  1. Anthropic News92

    Anthropic 发布 Claude 3.5 Sonnet 模型及 Artifacts 功能

    Anthropic 发布 Claude 3.5 Sonnet 模型及 Artifacts 协作功能。Claude 3.5 Sonnet 在 GPQA、MMLU 和 HumanEval 等基准测试中超越 Claude 3 Opus，运行速度是其两倍，定价为每百万输入 token $3、输出 token $15。

    推荐理由：新模型在内部编码评测中解决了 64% 的问题，并同步推出了 Artifacts 协作界面。

5月24日周五
  1. Anthropic News79

    Anthropic 发布 Golden Gate Claude 可解释性研究演示

    Anthropic 发布了一项关于大型语言模型可解释性的研究，展示了如何通过调整 Claude 3 Sonnet 内部特定特征（如金门大桥概念）的激活强度来改变模型行为。研究团队在 claude.ai 上线了为期 24 小时的 Golden Gate Claude 研究演示，表明这种基于内部激活的手术式修改不同于传统的微调或系统提示词工程。

    推荐理由：文章展示了通过调整内部特征激活强度来改变模型行为的可解释性方法，并说明了其在安全性评估中的潜在应用。

4月25日周四
  1. Qwen Blog78

    Qwen1.5-110B 发布

    千问（Qwen）团队发布 Qwen1.5-110B，这是 Qwen1.5 系列首个超过 1000 亿参数的大模型。基础模型在 MMLU、GSM8K 等基准测试中的表现与 Llama-3-70B 相当，而对应的 Chat 模型在 MT-Bench 和 AlpacaEval 2.0 评测中均优于 Qwen1.5-72B-Chat 和 Llama-3-70B-Instruct。

    推荐理由：原文公布了 110B 参数规模下的具体评测数据，帮助读者判断该模型在推理和数学能力上的边界。

4月17日周三
  1. Mistral News82

    Mistral 开源 Mixtral 8x22B 模型

    Mistral 发布开源模型 Mixtral 8x22B，采用稀疏混合专家架构，141B 总参数中仅 39B 激活。模型支持 64K 上下文，在数学、编码和多语言任务上表现优于其他开源模型，并以 Apache 2.0 许可开放。

    推荐理由：Mistral 开源发布 Mixtral 8x22B，提供 Apache 2.0 许可和 64K 上下文窗口，兼顾推理效率与多语言表现。

4月2日周二
  1. Qwen Blog80

    Qwen1.5-32B 发布：兼顾性能与效率的 320 亿参数语言模型

    Qwen 团队发布 Qwen1.5-32B 及 Qwen1.5-32B-Chat 模型，作为 Qwen1.5 系列在约 30B 参数规模上的补充。基准测试显示 Qwen1.5-32B 在 MMLU、GSM8K 等任务上性能接近 Qwen1.5-72B，且优于 Llama2-34B 和 Mixtral-8x7B。

    推荐理由：给出了32B模型在保持72B级性能的同时显著降低资源需求的基准对比，为平衡效率与能力的部署决策提供了具体参考。

3月14日周四