⌘ 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 81–100 条 · 共 244 条
9月26日周六
  1. 机器之心66

    TMLR主编约谈论文作者试验：部分作者无法解释署名内容

    TMLR主编Nihar Shah在轮值期间约谈7篇待拒稿论文作者，结果仅1篇作者能回答全部基础问题，最终10篇抽检论文全部被拒。该文指出TMLR直接拒稿率已从2023年的约6%升至53%，单作者投稿量暴增至13倍。TMLR已引入AI审稿、年度投稿配额及强制清晰写作标准，另提出greCAPTCHA评估方法通过提问考察作者核验能力，目前受试者测试中区分自己论文与陌生论文的AUC达0.90。

    推荐理由：文中标注了TMLR约谈试验及Pangram检测的数据，可辅助读者理解AI写作对学术署名与评审体系的冲击。

  2. DeepTech深科技79

    Claude 独立攻克理论物理九圈散射振幅计算难题

    Anthropic 团队利用 Claude 完成了平面 N=4 超杨-米尔斯理论九圈六胶子散射振幅的独立计算，总成本约一两千美元。该计算通过自举法验证了结果，并与中科院何颂团队利用 GPT-6 得到的符号结果相互印证，展示了大模型在复杂理论物理领域的应用潜力。

    推荐理由：文章记录了 Claude 独立完成九圈散射振幅计算的过程与验证细节，展示了 AI 在专业科研领域执行复杂长链路任务的实际能力。

9月25日周五
  1. 深度学习与NLP86

    Jev模型发布：决策专用AI并行输出概率

    由Diogo Almeida开发的Jev模型专注于系统决策，不生成文本而是通过并行采样输出带概率的判断结果。其端到端响应时间仅为70至500毫秒，且输出token免费，单次判断成本远低于生成式大模型。

    推荐理由：Jev 作为决策专用模型通过并行采样和概率输出解决了成本与延迟问题，展示了 AI 自动化的新范式。

9月23日周三
  1. 新智元94

    小米 MiMo V2.6 系列开源登顶全球开源模型榜首，单任务成本仅 0.13 美元

    小米 MiMo 团队正式发布并全面开源 MiMo V2.6 系列，包含 Pro、Flash 和 Ultraspeed 三款模型。Pro 版在 AA 智能指数得分 46，超越 Kimi K3 和 Qwen3.8 Max，位居全球开源模型第一。

    推荐理由：MiMo V2.6 以同等价格实现智能翻倍，且全程直播 RL 训练过程，展示了大规模强化学习扩展的可行性与极致性价比。

  2. 量子位65

    理想推送 OTA 8.6，马赫VLA 2.0 覆盖 2022-2025 款 AD Max 车型

    理想推送 OTA 8.6，马赫VLA 2.0 同步覆盖 2022-2025 款 AD Max 车型及 Orin-X、Thor-U 平台。该版本重点优化了跟车、绕行和变道博弈，支持非划线车位识别，并通过 AI 眼镜 Livis 实现语音遥控泊车。其跨芯片部署依赖云端教师模型向不同算力架构学生模型的迁移，旨在解决硬件冻结导致的 AI 迭代滞后问题。

    推荐理由：原文梳理了理想马赫VLA 2.0 跨代芯片适配逻辑，可帮助理解车载模型部署的工程约束。

  3. AI产品阿颖79

    阶跃 Step 5 Preview 实测：基于帕累托前沿的评测与案例复盘

    AI 产品从业者实测阶跃 Step 5 Preview，指出其以 600B MoE 架构在 Artificial Analysis 开源综合榜单中跻身前列。作者通过复刻多模态网页与视频解谜游戏，展示了该模型在编码、交互与视觉逻辑推理上的真实表现，结合成本分析验证了其处于效率帕累托前沿的定位。

    推荐理由：作者用多模态素材实测了该模型在复杂前端与后端任务中的表现，并展示了其背后的帕累托效率逻辑。

9月22日周二
  2. 数字生命卡兹克89

    小米 MiMo V2.6 模型发布及开源评测

    小米发布 MiMo V2.6 系列模型，包括 Pro、Flash 及 Pro-UltraSpeed 版本，实现 1M 上下文与原生全模态支持。MiMo V2.6 Pro 在 Artificial Analysis 基准测试中得分 46 分，科研推理 CritPt 得分居首，缓存输入价格低至 0.025 元/百万 Token。

    推荐理由：实测数据展示了该模型在性能、价格与速度间的平衡，为评估多模态智能体提供了清晰对比。

9月21日周一
  1. CVer95

    GPT-6 Astra 无条件证明刘维尔版哥德巴赫猜想

    GPT-6 Astra 无条件证明了哥德巴赫猜想的刘维尔弱化版本，即所有大于 2 的偶数可表示为两个刘维尔值为 -1 的正整数之和。该证明已由 Captain Sude 团队发布，并通过了 Lean 4 形式化验证，独立复核显示代码无错误且数值测试全部通过。

    推荐理由：梳理了 Astra 关于刘维尔版哥德巴赫猜想的证明逻辑及其 Lean 4 形式化验证细节。

  2. AI科技评论75

    阶跃 Step 5 Preview 发布：全球开源第二，实测 3D 游戏构建能力

    阶跃星辰发布旗舰基模 Step 5 Preview，在 Artificial Analysis Intelligence Index 获 44 分，位列全球开源前二。实测中模型通过 Claude Code CLI 调用 Blender 与 Three.js，成功构建可运行的 3D 网页游戏，展示了处理复杂工程任务的 Agent 能力。

    推荐理由：通过长链路 3D 游戏实测验证了模型在工具调用与持续执行中的稳定性。

  3. AIGC开放社区81

    阶跃星辰 Step 5 Preview 发布：24小时持续优化，6000亿稀疏混合专家架构

    阶跃星辰发布旗舰模型 Step 5 Preview，主打长任务与智能体工作流。在 NVIDIA H100 上进行的 24 小时推理内核优化测试中，模型实现最高性能 508 TFLOPS，AIME24 得分达 60%，与 Claude Opus 5 表现相当。

    推荐理由：该测试通过真实工程场景验证了模型在持续失败后调整策略的能力，并对比了多模态上下文下的表现差异。

9月20日周日
  1. APPSO74

    TypeSafe 发布非语言模型 Jev，用校准决策替代 LLM 输出

    TypeSafe 于 9 月 15 日公开其首个模型 Jev，并宣布完成 4000 万美元种子轮融资，由 DCVC 领投。Jev 是基于 Transformer 的非大语言模型，不生成完整句子，而是返回预先定义的 Choice、Score 或 Noul 结果，并附带概率分布与置信度。

    推荐理由：原文梳理了Jev的校准决策输出形式与延迟、价格、浏览器代理演示，读者可据此理解它如何替代部分 LLM 判断环节。

9月19日周六
  1. 人工智能学家77

    谷歌 DeepMind 成立 DeepMind Institute，聚焦 AGI 社会影响与治理

    谷歌 DeepMind 成立 DeepMind Institute（DMI），由 Demis Hassabis、Shane Legg 与 James Manyika 共同领导，旨在研究 AGI 对经济、科学和社会的颠覆性影响。DMI 已发布三篇论文，重点涵盖 AGI 经济政策工具和推理透明度，强调哲学家、经济学家及社会科学家需共同参与 AGI 未来的治理决策。

    推荐理由：谷歌 DeepMind 将 AGI 应对从模型研发升级为跨学科社会研究，明确了经济政策与治理的探索方向。

  2. 量子位70

    JEPA-Anything技术报告：跨领域预测框架如何通过正交分解连接癌症研究与行星轨道

    PhAI Labs联合牛津、斯坦福等高校团队发布技术报告JEPA-Anything，提出正交预测分解机制以解决多信号预测容量分配问题。在肝癌研究中，该方法从内部因子中筛选出IL-18联合NT5E/CD73阻断方案，并在小鼠及类器官实验中得到验证；在行星轨道模拟中，模型隐模式提取出的频率-半长轴关系斜率为-1.4991，高度接近开普勒第三定律理论值。

    推荐理由：报告提出可跨生物、物理等七类系统复用的预测分解机制，并用肝癌干预与开普勒定律验证了模型内部结构作为科学分析接口的潜力。

9月18日周五
  1. 智能涌现68

    大模型竞争转向低成本 Flash 模型服务 Agent 日常任务

    国内团队用 DeepSeek V4.1 Flash 替代 GPT-5.6 处理 Agent 任务，因并发、速度和成本更优。Google 在 I/O 推出 Gemini 3.5 Flash，DeepSeek、阿里、智谱也相继发布千亿级 Flash 模型，其中 Qwen3.8-Flash-Next 主模型 125B。

    推荐理由：材料通过一线开发者和厂商动作，说明低成本Flash模型如何承接Agent场景下的日常任务并影响成本结构。

  2. 数字生命卡兹克77

    Jev 发布：只做分类判断的 System One 模型

    TypeSafe AI 发布模型 Jev，该模型舍弃文本生成，专注高频二元判断与分类，自称 System One Model。官方称其速度比传统 LLM 快 20-200 倍，价格低 40-400 倍，输出 Token 免费，支持并行判断且具备校准置信度。作者实测显示，Jev 在分类预筛、聚簇判定及并行问答任务中，准确率常居前列，在并行判断场景下实现了最高准确率与最快速度的结合。

    推荐理由：Jev 舍弃文本生成专攻高频决策，实测比通用大模型快 20-200 倍且成本更低，展示了 AI 从生成转向快速判断的新路径。

9月17日周四
  1. AI科技评论72

    视频模型如何理解「变化」：HiDream-O1-Video 等三款模型物理因果能力实测

    作者通过三组图生视频任务对比了 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3 在物理因果、音画同步方面的表现。测试发现 HiDream 在动作与结果的时间因果上表现最好，如料酒入锅到火焰升起间隔约 100 毫秒；Seedance 画面表现强但火焰遮挡事件；MiniMax 存在时序偏差和硬切问题。

    推荐理由：作者设计了三组物理因果测试，量化对比了视频模型在音画时序上的表现，提供了可复用的评测方法。

9月16日周三
  2. 深思SenseAI87

    TypeSafe 发布 Jev 模型，0.7 秒完成 777 次结构化判断

    TypeSafe AI 发布 System One 模型 Jev，该模型仅输出带校准概率的结构化决策，不生成自然语言。官方称其响应时间仅为 70-500 毫秒，输入成本为每百万 token 0.042 美元且输出免费。第三方 Mike Taylor 实测显示，Jev 在 0.7 秒内完成 777 次判断，但在 7 处预埋缺陷的测试中仅识别出 6 处，显示其存在漏判风险。

    推荐理由：文章通过第三方实测数据，补充了该结构化决策模型在成本与准确率上的具体表现边界。