跳到正文

技术方向

推理能力 最新动态

让大模型先想再答的能力:思维链、推理模型,数学与逻辑评测上的突破和争议。

16 条精选近 30 天 16 条共收录 51 条

更新

推理能力的精选

今天11月21日周六第 1–16 条
  1. TechCrunch · AI79

    AI 辅助与纯人类研究者分别提出 167 年黎曼猜想的证明

    Anthropic 数学家 Levent Alpöge 公布了一份在 Claude 协助下得到、可由 Lean 编译的黎曼猜想解法。数学界仍需时间理解这份形式化结果并形成可供人类交流的解释。与此同时,Stanford 博士后 Alessandro Masullo 公布了历时 12 年、未使用 AI 的广义黎曼猜想证明草稿。

    推荐理由:报道并置 Claude 辅助、可由 Lean 编译的证明与历时 12 年、完全由人类完成的证明,呈现两条路径在可验证性与可理解性上的差异。

11月19日周四
  1. Google DeepMind90

    Google DeepMind 发布 Gemini 4 Neon,面向复杂软件工程、知识工作与科学流程

    Google DeepMind 发布 Gemini 4 Neon,主打复杂软件工程、知识工作和科学流程中的快速端到端任务执行。其 xhigh thinking level 在 Artificial Analysis Intelligence Index 以 61 分列总体 #3,Vals Index 列 #2,并提供 1 million-token 上下文窗口。

    推荐理由:原文同时给出第三方基准、每任务成本、上下文窗口和开放范围,便于比较 Neon 在性能与效率之间的定位。

  2. Hugging Face Blog80

    RadixArk 发布 DaisyRose-27B,Terminal-Bench 4.1 pass@1 升至 12.0%

    RadixArk 发布 DaisyRose-27B,Terminal-Bench 4.1 pass@1 从 5.6% 升至 12.0%。该模型基于 Qwen3.8-27B,使用 Miles 和约 1,200 个精选任务,在 144 H200 GPUs 上训练 18 天,最长训练会话达 1M tokens。

    推荐理由:文章把任务筛选、异步强化学习与沙箱基础设施连到具体成本和基准变化,呈现一套可迁移的长时程 Agent 后训练路径。

  3. Hugging Face Blog80

    180B 参数、32GB 内存:Transformers 流式加载 MoE 专家,将生成速度逼近 Strata

    作者在配备 32 GB 统一内存的 MacBook M5 上,用 Transformers 从 SSD 流式加载 180B 参数 Qwen3.8-Flash-Next 的 MoE 专家,使短解码达到 13.9 tok/s,与 Strata 的 14.8 tok/s 相差约 6%。

    推荐理由:该实验给出低内存设备运行大型 MoE 的可迁移路径,细化了专家流式读取、有界缓存与 Metal 内核各自解决的瓶颈。

11月18日周三
11月17日周二
  1. Hugging Face 每日热门论文90

    K2-Horizon 提出六款面向推理与智能体工作的全开源语言模型

    K2-Horizon 提出六款全开源语言模型,规模从 0.9B 稠密模型到 375B-A23B MoE,面向通用推理与智能体任务。这些模型在智能体和编码基准上领先或可与同规模强开源模型竞争;36B-A4B 结合 MoVA 和 softplus 注意力门控,以 1/7 活跃参数几乎匹配同数据训练的 32B 稠密模型,Uno 则可将解码加速最高 2.2x。

    推荐理由:同数据训练的对照结果显示,36B-A4B 以 1/7 活跃参数接近 32B 稠密模型,为研究规模与稀疏性提供了可复用基线。

  2. The Decoder78

    OpenAI GPT-6 Astra 协助构造标准模型晶格化难题的证明

    OpenAI 的 GPT-6 Astra 协助物理学家 Nathaniel Craig 构造一项证明,有望解决标准模型完整晶格化中延续 50 年的数学难题。Craig 提出通过比较逐步细化的晶格来校正重叠费米子的相位,GPT-6 Astra 将其转化为可行构造,并主导详细证明。三位晶格场论专家审阅了证明并提出问题,Craig 表示距离现实模拟仍有大量工作。

    推荐理由:材料呈现了GPT-6 Astra将细化晶格比较策略转化为证明构造的过程,并说明专家复核情况及距离现实模拟尚需完成的工作。

  3. Anthropic Research80

    Claude Fable 5.2 解决黑洞物理中的两个开放问题

    Claude Fable 5.2 解决了黑洞与量子引力研究中的两个开放问题,并形成两篇预印本。它完成了20多年前提出的计算,结果显示黑洞形成相关相变仍是突变;同时推导出最简单模自举方法的精确极限,其中 M₁ ≤ c/Λ,Λ 约为 9.1266。多个 Claude 智能体运行约六周完成这些工作,结果在9月经 Lean 形式化验证,并由物理学家检查主要结论。

    推荐理由:两项结果分别展示多智能体完成长期搁置计算与跨领域寻找解析方法,为理解 AI 参与理论研究的工作方式提供具体案例。

11月16日周一
  1. TestingCatalog86

    Qwen4-Max 基准成绩公布,Artificial Analysis Index 获得 43 分

    Qwen4-Max 在 Artificial Analysis Index 获得 43 分,比 Muse Wonder 低 1 分。Qwen4 Max(xhigh)比 Qwen3.8 Max(xhigh)高 9 分,比 Kimi K3.1 Pro(max,46)低 3 分;它还以 14.7k 次真实智能体会话的 +7.5% 净提升位列 Agent Arena 第 14 名。

    推荐理由:材料并列呈现外部基准成绩与官方内部评测数据,便于比较 Qwen4-Max 相对前代的能力、token 消耗和调用成本。

11月13日周五
11月12日周四
  1. Google AI85

    Google 发布 Gemini Decision 1 模型与 Decisions API,支持多模态决策评估

    Google 发布 Gemini Decision 1 模型与 Gemini Decisions API,支持在一次请求中对文本、图片、音频、视频和 PDF 进行最多 1,000 个 yes/no、choice 或 rubric-scoring 问题评估。

    推荐理由:原文给出单次处理多模态输入和 1,000 个问题的接口设计,并列出延迟、价格与置信度输出,便于评估其在路由和审核流程中的适用性。

  2. Google Developers Blog77

    用 Gemini 和约束求解器捕获 Go 模糊测试漏掉的错误

    Google 的一名 Agent skills 项目负责人将 Gemini 4 Argon、Z3 约束求解器与 Go 汇编分析结合,从编译器保留的边界检查陷阱中合成崩溃输入;该流程找出测试解析器中预置的 3 个 bug,并在 skill-lint 中发现 3 个潜在 bug。

    推荐理由:文章拆解了 Go 模糊测试因切片容量掩盖越界崩溃的原因,并给出用 Gemini、Z3 与容量裁剪互补排查解析器错误的方法。

11月11日周三
  1. Google DeepMind88

    Gemini 4 Carbon 现已向开发者、企业和用户开放

    Google DeepMind 宣布 Gemini 4 Carbon 已向开发者、企业、科学家和消费者开放,是其当前最强的前沿模型,专注网络安全能力以及跨知识工作、软件工程和科学推理的长链路智能体任务。

    推荐理由:文中给出了Carbon与Argon及多家外部模型在基准测试、成本和安全指标上的对比数据,便于横向评估这次升级。

11月10日周二
  1. AI at Meta74

    AI at Meta 发布 Muse Ember,并将其带到 GoogleCloud

    AI at Meta 发布 Muse Ember,并将其带到 GoogleCloud;Muse Wonder 和 Muse Spark 1.3 也一同被带到 GoogleCloud。Muse Ember 是其最小且高效的模型,支持 1M-token 上下文窗口,以及文本、图像、音频和视频的原生理解,可跨应用串联工作流、按序调用工具、运行测试并定向修复代码。

    推荐理由:原文同时交代了 Muse Ember 的模型定位、1M-token 上下文窗口和多模态输入,以及跨应用调用工具、测试与定向修复代码的智能体工作流。

11月3日周二
  1. Google Developers Blog75

    Google 解析用低成本分类器在 Gemini 模型与 thinking level 之间路由任务

    Google 通过 50 个自动评分的编码智能体任务,比较 Jev 分类器、启发式规则与 Gemini 不同配置的任务路由效果。Jev 在 34 个未见任务上与人工难度标注 34/34 一致,Jev 路由方案让简单任务使用 Flash-Lite、复杂任务升级到低 thinking 的 Flash,50 题全部答对,并可降低相较于全程低 thinking 的成本和响应时间。

    推荐理由:文章用 50 个编码智能体任务比较启发式路由、Jev 与不同 Gemini 配置,给出按任务难度设置 thinking level 和维护上下文缓存的实践依据。

10月29日周四
  1. Mistral AI83

    Mistral AI 发布 Mistral Large 4 开放权重模型,强化编码与防御性网络安全

    Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的模型权重,这款 1-trillion-parameter 原生多模态模型提供 Low、Medium、High 三种推理模式,并提升编码、防御性网络安全和推理效率。

    推荐理由:原文把编码、防御性网络安全和推理效率的公开评测,与开放权重及自部署路径放在一起,便于判断模型的工程使用价值。