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 261–280 條 · 共 325 條
6月9日週二
  1. Google DeepMind72

    Google DeepMind 發佈 Gemma 4 12B 統一免編碼器多模態模型

    Google DeepMind 發佈 Gemma 4 12B,定位為可在筆記型電腦本機運行的多模態模型,並為中型模型加入原生音訊輸入。它採用免多模態編碼器架構,將視覺和音訊輸入直接整合至 LLM backbone;標準基準表現接近 26B MoE,總記憶體佔用不足其一半。Gemma 4 12B 以 Apache 2.0 授權釋出,可透過 LM Studio、Ollama 等工具試用。

    推薦理由:Gemma 4 12B 的免編碼器設計、接近 26B MoE 的基準表現與較低記憶體佔用,提供比較中型多模態模型架構和本機部署定位的具體依據。

6月5日週五
  1. Hugging Face Blog62

    NVIDIA 發佈 Nemotron 3.5 Content Safety,整合多模態安全判定與自訂政策

    NVIDIA 發佈 Nemotron 3.5 Content Safety,將多模態輸入、多語言覆蓋、自訂企業政策與可審計推理整合至單一 4B 模型。模型基於 Google Gemma 3 4B IT,明確訓練覆蓋 12 種語言,並承接其約 140 種語言的 zero-shot 泛化;可選 THINK mode 會輸出推理軌跡。

    推薦理由:Nemotron 3.5 將多模態判定、自訂政策和可審計推理整合於 4B 模型,並附訓練資料集,提供企業安全審核的部署參考。

5月29日週五
  1. gihyo.jp77

    Anthropic 發佈 Claude Opus 4.8,Claude Code 動態工作流程開放研究預覽

    Anthropic 發佈 Claude Opus 4.8,並為 Claude Code 推出「動態工作流程」研究預覽版。Opus 4.8 在編碼、智能體技能、推理及實務知識工作等方面較 Opus 4.7 改進,價格維持不變;Anthropic 的基準測試顯示,它在大部分項目上勝過 GPT-5.5 和 Gemini 3.1。

    推薦理由:Claude Code 動態工作流程可在單一工作階段並行運行數十至數百個子智能體,文中亦交代研究預覽的支援入口及較高 token 消耗提醒。

5月20日週三
4月30日週四
  1. Google DeepMind60

    Google DeepMind 宣佈 AI co-clinician 醫療研究計劃,探索醫療協作模式

    Google DeepMind 宣佈 AI co-clinician 研究計劃,探索讓 AI 在醫生專業監督下協助患者照護。在 98 個基層醫療問題的評估中,97 個案例錄得零項嚴重錯誤;在開放式藥物問答中,系統表現勝過可用的前沿 AI 系統。

    推薦理由:文章並列呈現 AI co-clinician 在證據整理、藥物問答和多模態問診的測試結果,並以醫生整體表現較佳界定其臨牀輔助定位。

4月29日週三
  1. Hugging Face Blog61

    Granite 4.1 LLM 如何構建:預訓練、微調與強化學習流程

    Granite Team(IBM)詳述 Granite 4.1 的 3B、8B 和 30B 模型構建流程,涵蓋預訓練、監督式微調和多階段強化學習。預訓練以約 15T tokens 分五階段進行,並將上下文窗口擴至最高 512K tokens;其後以約 4.1M 經整理樣本作微調,採用 on-policy GRPO 配合 DAPO loss 進行強化學習。

    推薦理由:文章梳理 Granite 4.1 從約 15T tokens 預訓練、約 4.1M 樣本微調到多階段強化學習的流程,呈現 dense 模型的訓練設計取捨。

4月28日週二
  1. Hugging Face Blog72

    NVIDIA 發佈 Nemotron 3 Nano Omni 長上下文多模態模型,面向文件分析、音訊與影片理解及智能體電腦操作

    NVIDIA 發佈 Nemotron 3 Nano Omni,這款長上下文多模態模型面向文件分析、音訊與影片理解、智能體電腦操作及通用推理。

    推薦理由:文章並列 Nemotron 3 Nano Omni、Nemotron Nano V2 VL 與 Qwen3-Omni 的多項基準結果,另列系統效率數據,提供文件、影音和 GUI 任務的比較依據。

4月24日週五
  1. gihyo.jp83

    DeepSeek 發布 DeepSeek-V4 預覽版,開放網頁及 API 使用

    DeepSeek於2026年4月24日發布DeepSeek-V4系列預覽版,開放網頁及API使用,並公開開放權重。兩款模型均支援1M上下文窗口:DeepSeek-V4-Pro總參數為1.6T、活躍參數49B;DeepSeek-V4-Flash則為284B及13B。

    推薦理由:兩款模型同具1M上下文窗口,但在參數規模、推理表現與回應速度上定位不同,可看出 DeepSeek-V4 系列的型號取捨。

4月3日週五
3月17日週二
3月12日週四
  1. Google Research67

    Google Research 探討 AMIE 對話式診斷 AI 在真實臨牀研究中的可行性

    Google Research 的前瞻性研究在真實門診流程中評估 AMIE 用於就診前病史採集的可行性。研究納入 100 名成人,互動由醫師即時監督且沒有觸發安全停止;AMIE 的鑑別診斷在 90% 個案中涵蓋最終診斷,前三項診斷準確率為 75%。研究屬單中心文字聊天研究,沒有對照組;PCP 的管理方案在實用性及成本效益方面較佳。

    推薦理由:這項研究將 AMIE 用於門診前病史採集,展示即時醫師監督下的安全與診斷評估,亦交代單中心、無對照設計的限制。

3月6日週五
  1. gihyo.jp83

    OpenAI 發佈 GPT-5.4,整合推理、編碼與智能體工作流

    OpenAI 於 2026 年 3 月 5 日發佈 GPT-5.4,將推理、編碼和智能體工作流能力整合到單一模型。GPT-5.4 支援最多 100 萬個模型 token 的上下文,並加入內置電腦操作及工具搜尋功能。API 已可使用,GPT-5.4 正逐步推出至 ChatGPT 和 Codex;GPT-5.4 Pro 亦已可透過 API 使用。

    推薦理由:GPT-5.4 將推理、編碼與智能體工作流整合於單一模型,並加入電腦操作及工具搜尋,呈現其面向長流程任務的能力組合。

3月4日週三
  1. Google DeepMind71

    Gemini 3.1 Flash-Lite 為大規模開發者工作負載而設

    Google DeepMind 推出 Gemini 3.1 Flash-Lite,現正以預覽版向開發者及企業開放,開發者可透過 Google AI Studio 的 Gemini API 使用,企業則可透過 Vertex AI 使用。

    推薦理由:文章把 Gemini 3.1 Flash-Lite 的定價、相較 2.5 Flash 的速度數據及質素描述並列,呈現其面向高頻工作負載的成本定位。

2月20日週五
  1. gihyo.jp77

    Gemini 3.1 Pro 預覽版發佈,可從文字生成清晰 SVG 動畫

    Google 於 2026年2月19日推出 Gemini 3.1 Pro 預覽版,強化推理能力,並大幅提升從文字提示詞直接生成 SVG 動畫的質素。在 ARC-AGI-2 基準上,Gemini 3.1 Pro 得分 77.1%,高於 Gemini 3 Pro(33.1)、Claude Opus 4.6(68.8)及 GPT-5.2(52.9)。

    推薦理由:文章列出 Gemini 3.1 Pro 在 ARC-AGI-2 的 77.1% 評分,並對照 Gemini 3 Pro、Claude Opus 4.6 和 GPT-5.2 的成績,呈現各模型在該基準上的差異。

  2. Google DeepMind77

    Gemini 3.1 Pro:面向最複雜任務的更智能模型

    Google DeepMind 發佈 Gemini 3.1 Pro,作為 Gemini 3 系列核心模型升級,提升複雜問題的推理能力。它在 ARC-AGI-2 取得經驗證的 77.1% 得分,推理表現超過 Gemini 3 Pro 兩倍。

    推薦理由:Gemini 3.1 Pro 在 ARC-AGI-2 取得經驗證的 77.1% 得分,並稱推理表現超過 Gemini 3 Pro 兩倍,為核心推理升級提供量化比較依據。

2月18日週三
  1. gihyo.jp82

    Anthropic 發佈能力接近 Opus 級別的 Claude Sonnet 4.6;Figma 宣佈推出利用 Claude Code 的瀏覽器 UI 擷取功能

    Anthropic 於 2026 年 2 月 17 日發佈 Claude Sonnet 4.6,表示其多個領域的能力接近 Opus 級別,並以 beta 形式支援 1M token 上下文窗口。

    推薦理由:文章對照 Claude Sonnet 4.6 與 Opus 4.6 的任務適用差異,並交代電腦操作評測與現實操作之間的限制。

2月13日週五