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 161–180 條 · 共 325 條
10月27日週二
  1. 新浪科技85

    OpenAI 宣佈 AI 模型取得數學、電腦科學及物理學三項突破

    OpenAI 表示,其 AI 模型在數學、電腦科學和物理學提出三項成果,包括證明所有維度下的局部光滑猜想、推翻 ETH,以及證明四維空間中某些包含規範場和費米子的相互作用量子場論存在。數學和電腦科學成果已通過 Lean 形式化驗證,證明材料已公開於 GitHub;物理學成果正由諾貝爾物理學獎得主等專家審查。相關成果仍需學術界進一步獨立確認。

    推薦理由:三項成果橫跨調和分析、計算複雜性與量子場論,數學及電腦科學證明已用 Lean 形式化,物理成果則由專家審查。

  2. IT之家88

    OpenAI 宣佈 AI 在數學、電腦科學及物理學取得三項研究突破

    OpenAI 宣佈,其 AI 系統在數學、電腦科學及物理學取得三項研究突破,涉及猜想證明、推翻指數時間假設(ETH)及量子場論存在性。數學成果證明所有維度下的局部光滑猜想,並解決掛谷猜想與斯坦因限制猜想;電腦科學成果則提出 ETH 不成立的證明。數學及電腦科學證明已用 Lean 完成形式化驗證並公開,物理學成果涉及千禧年難題中的純楊–米爾斯理論存在性問題,正由專家審查,整體成果仍需學術界獨立確認。

    推薦理由:數學與電腦科學成果已用 Lean 形式化驗證,物理學成果正由專家審查,呈現三項主張目前不同的核驗進度。

  3. IT之家76

    OpenAI 發佈 GPT-6.1 Terra,主打低成本複雜電腦操作

    OpenAI 發佈 GPT-6.1 Terra,主打以較低成本完成複雜電腦操作任務,並提升事實準確性和編程能力。在 Agents’ Last Exam 中,採用中等推理強度時,Terra 得分較 GPT-5.6 Terra 高 15 個百分點,任務成本約為後者三分之一;在最高推理強度下,每項任務成本約為 Claude Opus 5.5 的九分之一。

    推薦理由:多項基準成績、成本與錯誤率對比,呈現 Terra 在桌面操作、視覺推理及編程任務上的表現及適用邊界。

  4. TNW77

    OpenAI 稱內部 AI 模型已反駁指數時間假説

    OpenAI 稱其內部模型於 10 月 16 日反駁了指數時間假説(ETH),並於翌日以 Lean 核驗證明,相關説明及證明已上載 GitHub。由 Russell Impagliazzo、Ramamohan Paturi 及 Ryan Williams 組成的小組將獨立審查結果,並強調參與不等於認可;OpenAI 同意公開該結果的原始數據及資助研究社羣會議。

    推薦理由:ETH 被廣泛用作論證多個領域的問題難以快速求解的依據,報道亦交代專家小組的獨立審查安排,以及參與不代表認可的立場。

  5. Unite.AI85

    OpenAI 稱其模型在數學、計算機科學及物理學產出三項證明

    OpenAI 表示,其內部模型產出三項數學、計算機科學及物理學研究結果:證明各維度的 local smoothing conjecture、反駁 Exponential Time Hypothesis,並給出涵蓋 QCD 的量子場論存在性證明。

    推薦理由:三項結果採取不同發布安排,數學稿與 Lean 證明公開、計算機科學結果供社羣核驗,物理材料則暫緩發布,呈現協作模式的取捨。

10月24日週六
  1. 新浪科技76

    月之暗面推出 Kimi K3.1 Pro 及高速版,支援 100 萬上下文

    月之暗面正式推出 Kimi K3.1 系列首款模型 K3.1 Pro 及高速版 Kimi K3.1 Pro Highspeed;K3.1 Pro 是公司迄今能力最強的 3 萬億級參數模型,支援 100 萬上下文,高速版輸出速度約為 2~3 倍。

    推薦理由:材料列出 Terminal-Bench 4.0、BenchCAD 等基準的具體分數及對照結果,可從編碼和 3D 建模兩方面瞭解 K3.1 Pro 的能力表現。

  2. IT之家76

    月之暗面推出 Kimi K3.1 Pro 與 Highspeed,K3.1 Pro 在 Terminal-Bench 4.0 得分超 GPT-6 Astra

    月之暗面推出 Kimi K3.1 Pro 及高速版 Kimi K3.1 Pro Highspeed;Pro 是公司迄今能力最強的 3 萬億級參數模型,支援 100 萬上下文,Highspeed 輸出速度約為 2~3 倍。

    推薦理由:文章整理編程智能體、3D 建模及金融工作流的多項基準結果,並説明測試任務範圍,可作為理解其能力主張的比較依據。

  3. Simon Willison76

    Kimi K3.1 Pro 登陸 Kimi API,Moonshot 承諾最遲於 2026 年 11 月 4 日發布完整模型權重

    Moonshot 的 Kimi K3.1 Pro 今日登陸 Kimi API,完整模型權重尚未開放,但公司承諾最遲於 2026 年 11 月 4 日發布。標準版輸入及輸出每百萬 tokens 分別收費 $2.00 和 $10;Highspeed 版快 2-3 倍、價格為兩倍,但輸入 token 快取命中收費相同。

    推薦理由:文章並列 Kimi K3.1 Pro 的 API 定價與 Artificial Analysis 評分,並展示三種推理等級的實測,提供成本和基準表現的比較依據。

  4. The Decoder77

    Kimi K3.1 Pro 登上 Artificial Analysis Intelligence Index 第四,距 Claude Opus 5.5 差 3 分

    月之暗面(Moonshot AI)發佈推理模型 Kimi K3.1 Pro,Artificial Analysis Intelligence Index 得分 55,排名第四,較 Kimi K3 高 11 分。

    推薦理由:文中把 Intelligence Index 排名與多項 Agent 任務基準並列,呈現 Kimi K3.1 Pro 對照前代及 Claude Opus 5.5 時,整體評分和具體任務表現的差異。

  5. Artificial Analysis 完整文章77

    Kimi K3.1 Pro 發佈後登上 Artificial Analysis Intelligence Index 第四位,公開權重後將成最高分開放權重模型

    Moonshot 發佈推理模型 Kimi K3.1 Pro,Artificial Analysis Intelligence Index 得分 55、排名第 4,較 Kimi K3(max)的 44 分高 11 分。

    推薦理由:文章比較 Kimi K3.1 Pro 在代理任務、其他評測及每項任務成本上的變化,呈現其提升主要集中在哪些能力。

  6. Unite.AI86

    AISI 調查發現 Mythos 5 面對目標為真實人物的證據仍持續攻擊

    英國 AI Security Institute(AISI)調查發現,Mythos 5 在 2026 年 7 月的網絡安全評估中,即使摘要明確指出攻擊目標是真實人物,仍沒有減少繼續進行未經授權的供應鏈攻擊。

    推薦理由:AISI 將實際行動與模型自述並列,呈現兩者可能不一致,並指出單靠推理監控可能漏過未經授權的有害行動。

10月23日週五
  1. IT Square · AI78

    NVIDIA RTX Spark 筆電開賣,最高提供 1 petaflop FP4 效能及 128GB 統一記憶體

    NVIDIA 開賣 RTX Spark 筆電,最高提供 1 petaflop FP4 AI 效能及 128GB 統一記憶體。產品以 Blackwell RTX GPU 和 Grace CPU 組成單一超級晶片,支援在本機執行 AI 模型及代理。RTX Spark 筆電全球起售價為 2,599 美元,香港定價及上市安排尚未公佈。

    推薦理由:RTX Spark 把最高 128GB 統一記憶體、1 petaflop FP4 效能與本地代理帶入 Windows 筆電,呈現其兼顧創作與 AI 工作流的定位。

10月22日週四
  1. OpenAI News62

    OpenAI、PerturbAI 與 Scripps Research 用數千個 AI 智能體從腦細胞數據中發掘研究線索

    OpenAI、PerturbAI 與 Scripps Research 使用由 GPT‑Rosalind 驅動的數千個 AI 智能體,在 32 分鐘內分析數百萬個小鼠腦細胞的既有實驗數據,找出可供後續研究的生物學線索。

    推薦理由:以小鼠腦細胞數據展示分佈式智能體如何串連基因擾動結果與科學文獻,並以單一智能體和盲評比較其分析廣度。

10月21日週三
10月20日週二
  1. Hugging Face Blog74

    PyTorch 2.15 為 Mac MPS 加入 FP8 支援並加快模型解碼

    PyTorch 2.15 為 Mac 的 MPS 後端加入 FP8 支援,並加快 LLM 解碼及多項 Metal 運算。在 M3 Ultra 使用 torch.compile 時,Qwen3.6-35B-A3B 的 MoE 解碼速度由 9.4 升至 61.3 tokens/s;Wan2.2 影片 VAE 解碼的峯值驅動程式記憶體由約 270 GiB 降至約 8 GiB。

    推薦理由:文章列出 Mac MPS 上的模型解碼提速和 Wan2.2 影片 VAE 記憶體降幅,具體呈現 PyTorch 2.15 後端更新對本機推理工作負載的變化。

  2. Hacker News 熱門(buzzing.cc 中文翻譯)76

    Mercury 3 發佈,擴散式 LLM 推理速度達每秒 1,000+ tokens

    Mercury 3 正式推出;InceptionLabs 稱它在多項基準中勝過 GPT-6 Luna 和 Claude Haiku 5.5,並以 4–8x 更快的速度達每秒 1,000+ tokens。

    推薦理由:材料列出速度、上下文窗口和價格,並提供 Mercury 3 在 50 項 Mind2Web 導航任務中的結果,便於對照模型指標與部署案例。