跳到正文

推理能力

模型推理能力的進展:思維鏈、推理模型、數學與邏輯基準的突破與爭議。

最新精選

第 201–220 條 · 共 325 條
10月15日週四
  1. DEV Community77

    Google 開放 Gemini 4 Argon 全球使用,提供 1 million token 上下文窗口

    Google 宣佈 Gemini 4 Argon 全球開放予開發者及企業,並提供 1 million token 的輸入及輸出上下文窗口。開發者及企業可透過 Gemini API 和 AI Studio 使用;Google Antigravity、Gemini app 和 Search 的 AI Mode 亦設有符合資格的訂閲用戶入口。

    推薦理由:文章把 Argon 的大上下文能力轉化為企業試點考量,指出應以有界、可覆核的工作流程評估資料權限、輸出檢查與使用成本。

  2. Anthropic:Engineering76

    Anthropic 説明 Claude Code 近期品質問題成因及修復措施

    Anthropic 説明 Claude Code 近期品質下降的三項成因,並稱相關問題已於 4 月 20 日(v2.1.116)全部修復。問題分別涉及推理力度預設由 high 改為 medium、閒置工作階段的思考紀錄被反覆清除,以及限制輸出的系統提示詞;整體影響 Claude Code、Claude Agent SDK 和 Claude Cowork,API 未受影響。

    推薦理由:文章把品質下降拆解為推理力度預設、思考紀錄清除錯誤及系統提示詞三項變更,並交代 Anthropic 將如何加強評測、審核和漸進推出。

  3. Google Research73

    Google Research 公開發佈 Deep Review,為複雜文件提供技術審閲

    Google Research 公開發佈 AI 智能體系統 Deep Review,為複雜文件提供技術審閲與核查。系統以四階段流程分段文件、按資訊密度分配計算資源,並由多個推理智能體平行核查,再整合結果及進行外部資料核實。每位用戶每日可免費審閲兩份文件,初期支援 PDF 和純文字;上載文件不會用於訓練、微調或改進 Google 模型,並會儲存一年,僅供用戶在 Deep Review 介面查看。

    推薦理由:Deep Review 以分段、按需分配計算資源和並行核查處理長文件,並把高層判斷留給人類,具體呈現其技術審閲流程設計。

10月14日週三
  1. 創業邦79

    英偉達又在你眼皮子底下完成了一次歷史性轉型

    英偉達正透過一系列交易與人才吸納,把業務由 AI 基礎設施延伸至前沿模型研發,目標是同時製造計算系統與前沿智能。按公開報道及已宣佈的交易安排計算,Groq、Poolside 與 Hugging Face 相關交易規模接近400億美元,涵蓋技術授權、人才吸納、股權投資及待交割收購,並非已支付的併購現金。Hugging Face 收購協議尚待交割;若交易完成,成熟的開發者平台也會加入這個組合。

    推薦理由:文章梳理英偉達對 Groq、Poolside、Hugging Face 的投資、技術授權與人才吸納,如何共同推動其由計算基礎設施延伸至前沿模型研發。

  2. 第一財經76

    Google 重返前沿模型競爭,Gemini 4 Argon 能否抗衡對手?

    Google 於 10 月 14 日發佈 Gemini 4 Argon,主打軟件工程、金融、法律、網絡安全和科學研究等複雜多步驟任務。Artificial Analysis 給予 Argon 53 分、排名第 6,並估算每項任務成本為 1.99 美元,較智能水平相當的 GPT-6 Astra 低約 40%。

    推薦理由:文章並列 Artificial Analysis 的排名與任務成本、訂閲門檻及應用案例,呈現 Argon 能力表現與實際使用成本之間的取捨。

  3. 創業邦85

    Google 全球上線 Gemini 4 Argon

    Google 全球上線 Gemini 4 Argon,Pro 用戶可在 Gemini 應用及搜尋 AI 模式體驗,開發者可付費透過 API 使用。模型結合圖像、影片及語言理解、推理與程式碼執行,並可呼叫工具;官方公開的 19 項基準中,最高思考級別取得 13 項單獨最高、1 項並列最高。

    推薦理由:文章並列 Chrome 重構、ADK 長時間維護及新酶設計等案例,呈現 Gemini 4 Argon 在程式工程與科研任務中的實測範圍。

  4. Hugging Face Blog64

    LFM2.5-24B-A2B 面向快速、私隱保護的本機智能體

    Liquid AI 發佈 LFM2.5-24B-A2B,這款 24B 參數推理模型每個 token 僅啟用 2B 參數,面向在裝置上運行智能體。它在 LiveClaw 得分 48.09,高於 Qwen3.6-35B-A3B 的 38.19,並在 Apple M5 Max 上達到 184 tokens/s。

    推薦理由:LFM2.5-24B-A2B以2B活躍參數面向本機智能體,並列出工具使用基準及CPU、GPU推理速度,呈現模型效能與本機部署的取捨。

  5. Google DeepMind84

    Gemini 4 Argon:為解決最棘手的問題而打造

    Google DeepMind 發佈 Gemini 4 Argon,今日起按用戶類別透過 Gemini API、AI Studio、Google Antigravity、Gemini app 及 Search 的 AI Mode 提供使用。

    推薦理由:文章並列 Argon 的跨領域基準表現、使用入口、定價與工程及科研案例,讀者可據此瞭解其能力定位和實際應用範圍。

  6. The Verge · AI82

    Google 發佈 Gemini 4 Argon

    Google 發佈 Gemini 4 Argon,稱其在編碼、網絡安全、科學、金融及法律等基準測試中勝過 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5。

    推薦理由:文章並列 Argon 的基準測試主張、內部用途與分階段定價,並交代目前開放的訂閲層級,呈現其競爭定位與可用範圍。

10月13日週二
  1. AWS Machine Learning Blog64

    如何在 Amazon Bedrock 上以 Grok 4.7 建立長時程智能體

    文章展示如何在 Amazon Bedrock 上以 Grok 4.7 建立工具呼叫智能體,並以三項需要搜尋的任務比較 low、medium、high、xhigh 四種推理力度。

    推薦理由:文章以三項答案可窮舉驗證的任務比較推理力度與 token 用量,並提供可移用於自有 Agent 評測的測試設計和生產監控方法。

  2. Artificial Analysis 完整文章81

    Muse Wonder 與 Muse Wonder Full 的智能指數較 Muse Spark 1.3 顯著提升

    Meta 發佈 Muse Wonder 和 Muse Wonder Full,兩者在 Artificial Analysis Intelligence Index v4.3 的最高推理力度下分別得 52 分和 56 分,高於 Muse Spark 1.3(48 分)。

    推薦理由:十項評測呈現兩款模型的整體表現差異,Agent 評測、token 用量與任務成本資訊亦提供能力與成本的比較依據。

10月12日週一
  1. The Decoder76

    Google DeepMind 的 AlphaProof Nexus 解決數十個未解數學問題並通過同行評審

    Google DeepMind 的 AlphaProof Nexus 在一項刊於《Science》並經同行評審的研究中,解決數十個未解數學問題。它解出 353 個未解 Erdős 問題中的 9 個,當中兩題已懸而未決 56 年,並證明 OEIS 整數數列資料庫中的 44 個猜想。

    推薦理由:研究把數學成果與同行評審並列呈現,也交代 Gemini 3.1 Pro 在 Lean 中起草、修訂和檢查證明的流程。

10月11日週日
  1. Hacker News 熱門(buzzing.cc 中文翻譯)79

    數學界對 OpenAI 百餘項數學問題解答的多元反應

    OpenAI 於 10 月 6 日公佈大量數學問題解答後,Proofs and Prompts 彙集多位數學家的回應,呈現他們對成果及發布方式的不同看法。部分數學家對解答感到驚訝或興奮,也有人質疑證明的可讀性、核驗及成果歸屬。多位作者關注這批成果對學術規範、研究方向及年輕數學家培育的影響,並強調社羣仍須以理解數學為目標。

    推薦理由:多位數學家的回應呈現對解答成果的驚訝與疑慮,並將焦點帶到證明核驗、學術規範及年輕研究者的培育。

10月10日週六
  1. The Verge · AI81

    OpenAI 發佈近 400 項 AI 數學成果,數學家稱理解或需多年

    OpenAI 本週發布近 400 項 AI 生成數學成果,分佈於 700 多份手稿;數學家表示,理解和核查這批內容可能需時多年。OpenAI 表示,719 份手稿中有 300 項主要成果已形式化,約 42%;截至 10 月 8 日,資料庫已修訂十多份手稿,並因符號錯誤撤下 3 篇論文。數學家指出,成果的形式化程度和論文質素不一,大量發布也令研究者難以及時核實和消化,並衝擊部分研究計劃。

    推薦理由:本文並列形式化比例、論文修訂與研究者反應,呈現大規模 AI 數學成果如何增加核查負擔,並衝擊既有研究安排。

10月8日週四
  1. Latent Space77

    Anthropic 發佈 Claude Haiku 5.5,定價與 GPT-6 Luna 相同

    Anthropic 發佈 Claude Haiku 5.5,這是約一年來首個 Haiku 系列更新,定價與 OpenAI GPT-6 Luna 相同。模型提供 1M-token 上下文,並定位為與 Opus 5.5 或 Sonnet 5.5 配合、處理高用量成本敏感工作的子智能體;輸入和輸出價格按提示長度分級,超過 100K tokens 時價格較高。

    推薦理由:這組資料並列每 token 定價、長提示詞加價與高 effort 下的 token 用量,呈現評估 Claude Haiku 5.5 成本定位時需要考慮的差異。

  2. Hacker News 熱門(buzzing.cc 中文翻譯)84

    Scott Aaronson談OpenAI數學成果潮與「數學末日」

    OpenAI 昨日公佈 372 項重大數學結果,當中包括 Unique Games Conjecture 的證明;Scott Aaronson 指出,研究者目前幾乎尚未理解這些證明。

    推薦理由:文章以多項數學猜想的 AI 解答為切入點,呈現證明尚未被理解時,數學界在核實和傳播成果上面對的難題。

  3. Hugging Face Blog61

    Liquid AI 發佈端側決策模型 d1-3B 與實驗版 d1-omni-600M

    Liquid AI 發佈兩款開放權重端側決策模型 d1-3B 和實驗版 d1-omni-600M。d1-3B 支援文字與圖像輸入,在 Decision Index 0.2.1 得分 48.57,並在七個公開數據集取得 82.9 的平均分;d1-omni-600M 支援文字與圖像或文字與音訊輸入。

    推薦理由:文章把 d1-3B 的公開基準成績與多款邊緣設備的延遲數據並列,讓讀者瞭解其決策表現及端側推理速度。