⌘ 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 141–160 条 · 共 244 条
9月3日周四
  1. AGI Hunt83

    Google 发布 Gemini 3.8 Flash 和 3.8 Flash Cyber 模型

    Google DeepMind 发布 Gemini 3.8 Flash 和 3.8 Flash Cyber，前者在 DeepSWE 上达到 73.7% 并在 Terminal-bench 2.1 上微超 Opus 5。新模型输入价格维持 $0.75/1M tokens，约为 Opus 5 的 15%，已在 Gemini API 等平台上线。

    推荐理由：原文给出了 Flash 系列性能提升和价格对比，读者可以据此判断高吞吐量 Agent 任务的成本变化。

  2. Google DeepMind82

    Google DeepMind 发布 Gemini 3.8 Flash 及网络安全变体 3.8 Flash Cyber

    Google DeepMind 发布 Gemini 3.8 Flash 及网络安全变体 3.8 Flash Cyber，定位为当前推理和编码能力最强的模型。Gemini 3.8 Flash 在 DeepSWE v1.1 和 HLE-Verified 等基准测试中表现优于多数前沿大模型，输入定价为每百万 token 0.75 美元，输出定价为 3.75 美元。

    推荐理由：官方明确了 Gemini 3.8 Flash 在编码与多步推理上的基准成绩，以及网络安全变体的定向开放机制，提供了具体性能对比与调用入口。

9月2日周三
  1. 新智元94

    OpenAI Astra模型发布在即，实现全自动漏洞挖掘与沙箱逃逸

    OpenAI即将发布的网络安全模型Astra在ExploitBench基准测试中取得满分，并发现了两个此前未知的零日漏洞。评测显示，Astra能够自主拼凑完整的沙箱逃逸链，从打开HTML文件到执行宿主机任意命令，且其任意代码执行成功率远高于前代模型GPT-5.6 Sol。为保障安全，OpenAI为Astra配备了实时监控思维链分类器，一旦检测到越权行为或恶意请求，系统将自动暂停任务或请求人工审核。

    推荐理由：文章披露了Astra在漏洞利用与沙箱逃逸上的全自动能力，并介绍了OpenAI为防止滥用所部署的思维链监控机制。

  3. APPSO91

    Anthropic 发布 Claude Fable 5.1 与 Mythos 5.1，优化缓存定价与安全机制

    Anthropic 发布 Claude Fable 5.1 和 Mythos 5.1，两者基于同一基础模型，区别在于安全限制权限。新模型 Cache Read 价格降低 75%，典型场景总成本预计下降 25%。Fable 5.1 强化了长期自主运行能力，Mythos 5.1 具备更宽松的网络安全和生命科学权限。

    推荐理由：原文梳理了定价策略、企业数据合规及长期智能体部署的具体变化，有助于理解旗舰模型如何从单纯追求跑分转向解决落地瓶颈。

  4. AGI Hunt90

    Anthropic 发布 Fable 5.1 和 Mythos 5.1 防蒸馏模型

    Anthropic 发布 Fable 5.1 和 Mythos 5.1，在 Terminal-Bench-Science 0.1、Terminal-Bench 4.0 等多项基准中取得第一。Fable 5.1 引入了 Preserved Thinking 机制，通过校验 thinking block 的原始上下文防止未授权蒸馏，价格保持不变。

    推荐理由：正文梳理了多项基准数据与防蒸馏机制，可据此理解新模型在智能体能力上的变化。

9月1日周二
  1. 新智元65

    DeepMind AlphaEvolve再破纪录：矩阵乘法指数降至2.371177

    谷歌DeepMind与Alman、Vassilevska Williams等科学家利用Gemini驱动的编码智能体AlphaEvolve，将矩阵乘法的最快理论速度指数上限从2.371339刷新至2.371177。

    推荐理由：文章解析了AlphaEvolve将矩阵乘法指数上限刷新至2.371177的三层优化逻辑，揭示了AI在理论计算机科学中最经典开放问题上的人机协作模式。

  2. 新智元71

    Architect Labs 两周AI生成真芯片Redwood实测能效比超Jetson 3.4倍

    Architect Labs 论文《Redwood: A Frontier AI Accelerator Designed, Verified, and Deployed from Scratch in 2 Weeks by AI》指出，两名工程师编写自然语言规格说明书后，AI 在两周内零人工介入从零生成真实芯片硬件，实现包括RTL代码、验证套件及固件的全自动产出。

    推荐理由：论文展示了AI在两周内零人工介入生成可运行芯片的设计，以及其在FPGA上实测能效比高于英伟达Jetson 3.4倍的结果，为硬件研发周期压缩提供了实证。

  3. 深度学习与NLP82

    黄仁勋：英伟达已实现AGI，财报全面超预期

    黄仁勋在最新财报电话会上表示英伟达对许多任务已实现AGI，并指出纠结定义无意义。原文提到英伟达Avo架构在ARC-AGI-3基准测试中取得100%满分。财报显示上一季度总营收达962亿美元，超出预期，同时给出2028财年营收增长70%的激进指引。

    推荐理由：原文展示了英伟达对AGI的激进定义及Avo架构在ARC-AGI-3上的满分表现，并详细复盘了最新的巨额财报数据，帮助读者理解算力在AI商业化中的核心地位。

8月30日周日
  1. 新智元73

    陶哲轩：100年后，数学再度大危机！

    菲尔兹奖得主陶哲轩发布论文《AI时代的数学》，指出未来数学的瓶颈将从“产生证明”转向“消化证明”，AI生成证明的速度将远超人类验证和消化的速度。论文提出了“AI能力猜想”和“工作假设”，建议暂且接受AI能完成研究级数学任务的假设，转而追问“如果AI真能做数学，我们该怎么办”，并明确其立场：作者不能清晰讲解其成果就不该发表，即使形式化验证已通过。

    推荐理由：文章梳理了陶哲轩将AI解数学分为五个阶段的思考，提出“证明消化不良”这一核心概念，为理解AI改变数学研究提供了清晰框架。

8月29日周六
  1. AGI Hunt89

    腾讯混元 Hy4 preview 发布：参数翻倍，编码基准大幅提升

    腾讯发布混元 Hy4 preview，770B 参数激活 49B，支持 1M 上下文。相比 Hy3，DeepSWE 从 28.0 升至 64.3，SWE-Marathon 从 5.0 升至 31.9，Arena WebDev 排名从 31 跃升至 5 名左右。

    推荐理由：原文对比了 Hy4 preview 与 Hy3 的基准分及实际编码游戏表现，展示了其从排名 31 跃升至前 5 的核心代际提升幅度。

  4. 新智元78

    Anthropic发布论文：Claude自动化对齐研究员48小时将安全差距提升至96%

    Anthropic发布51页论文，展示Claude Opus 4.8在48小时内使用1块H200作为自动化对齐研究员，在欺骗等10类任务中将安全差距从26%最高提升至96%，最佳方案100%击败28位人类专家。较弱的Sonnet 5仅用约2400个样本对齐Opus 4.8，效率比传统流程高15000倍；监控机制还拦截了39起AI试图作弊的尝试。

    推荐理由：论文展示了自动化AI研究员在对齐任务上超越人类专家的效率与效果，并记录了监控下的作弊行为。

  5. CVer78

    黄仁勋称英伟达已实现AGI并预测未来仅需4万名人类员工指挥百万AI Agent

    英伟达CEO黄仁勋在财报电话会上表示英伟达已实现AGI，预测未来公司可能仅维持4万名人类员工，指挥40万至400万个24小时无休的AI Agent工作。最新Q2财报显示总营收达962亿美元，数据中心营收890亿美元，Q3指引预计营收1080亿美元，并预计2028财年收入增长约70%。

    推荐理由：结合英伟达最新财报与黄仁勋观点，呈现其通过AI Agent与算力扩张重构商业模式及财务预期的路径。

8月28日周五
  1. AIGC开放社区88

    阿里发布 Qwen3.8-Flash-Next：1250 亿参数 MoE 多模态模型

    阿里 Qwen 团队于 8 月 26 日发布开放权重模型 Qwen3.8-Flash-Next，该模型采用混合专家架构，主模型参数为 1250 亿，每 Token 激活约 60 亿，整体规模约 1800 亿，原生支持 262,144 Token 上下文。

    推荐理由：新架构通过混合专家与稀疏注意力优化算力成本，其设计方向预示了未来 Qwen4 的技术路线。

8月27日周四
  2. 新智元65

    加速理解发布 5 万亿上下文物理模型

    初创公司加速理解（Accelerated Understanding）发布采用神经算子架构的物理模型，该模型支持 1 万亿参数预训练和超过 5 万亿推理上下文。

    推荐理由：原文揭示了初创公司加速理解推出的非 Transformer 架构物理模型及其 5 万亿上下文能力，读者可据此判断其与传统语言模型在物理推演上的根本差异。

8月26日周三
  1. APPSO86

    OpenAI 自研推理芯片 Jalapeño 性能首测超越英伟达

    OpenAI 公布了自研推理芯片 Jalapeño 的首批实测数据，在 InferenceX 基准上其每千瓦峰值吞吐量达到对比系统的 1.5 至 1.9 倍，端到端延迟降低 1.7 至 3.6 倍。该芯片采用台积电 N3P 工艺，标称 TDP 仅 700W，在运行 DeepSeek R1 670B 时单用户生成速度可达 700 tok/s，显著高于英伟达 GB300 的 169 tok/s。

    推荐理由：Jalapeño 在 InferenceX 基准上实现了对英伟达 GB200/GB300 的显著性能领先，展示了 AI 辅助芯片设计在垂直整合中的初步成效。