技术方向
推理能力
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。
近 30 天 20 条共 26 条精选收录 133 条
精选新闻
Epoch AI 基准显示 GPT-6.2 Astra 在 FrontierMath Erdős 解出 7/68 题
Epoch AI 称 GPT-6.2 Astra 在其 FrontierMath Erdős 基准上创下新纪录,在每题约 240 美元预算下解出 68 道题中的 7 道,且每道解都经 Lean 形式化验证,其中一道此前无人解出。该基准由截至 2026 年 8 月仍未解决的精选数学题构成,此前纪录为 GPT-6.1 Sol 的 3/68。
Epoch AI
Artificial Analysis 评测 GPT-6.2 Astra 与 Sol:智能指数第二,编码未见提升
Artificial Analysis 评测显示,OpenAI 发布的 GPT-6.2 Astra 与 GPT-6.2 Sol 在 Artificial Analysis Intelligence Index 中位列第二,仅次于 Claude Fable 5.2。
Artificial Analysis
Google 发布 Gemini 4 Carbon 与 Hydrogen 两款模型及 Decisions API
Google 上周发布两款 Gemini 4 模型:面向仓库级工程与安全审计的 Gemini 4 Carbon,以及面向日常编码和智能体工作流的 Gemini 4 Hydrogen,二者共享 1M token 上下文窗口。
Philipp Schmid
腾讯混元发布 Hy4 flash 模型,主打日常生产力最低成本
腾讯混元发布 Hy4 flash,称其在日常工作任务的人工盲测中与 Claude Haiku 5.5(high)持平,任务成本降低 18 倍。API 定价为每 100 万 token 缓存 $0.003、输入 $0.070、输出 $0.281。
Tencent Hy
阿里发布 Qwen4-Max:MoE 架构、原生视觉与 1M token 上下文
阿里发布 Qwen4-Max,采用新的 MoE 架构,原生支持视觉,上下文窗口为 1M token。官方称其内部评测中相比 Qwen3.8-Max 最多可少用约 50% 的 token,单任务平均成本下降超过 60%。
Qwen
Together AI 复盘从 megakernel 到 Together Compiler 的推理优化路径
Together AI 复盘其推理优化路线:去年构建的 megakernel 在 Llama 1B 上达到 990 TPS,但最终只支持一个模型、一个 batch size 和一个客户。
Together AI Blog
Google 发布 Gemini 4 Hydrogen 模型
Google 在 Google AI Studio 和 Gemini API 上线 Gemini 4 Hydrogen,作者称其已成为日常快速执行与研究循环的主力模型,也适合作为子智能体与 Carbon 搭配。
Philipp Schmid
Google DeepMind 发布 Gemini 4 Hydrogen 模型
Google DeepMind 发布 Gemini 4 Hydrogen,面向日常编码与智能体工作流,并在 Google AI Studio、Gemini API、Gemini app 和 Google Search 等全线开放。
Google DeepMind
vLLM 在 Vera Rubin NVL72 上服务 DeepSeek-V4.1-Flash:单 GPU 1.7M tokens/s,较 GB300 NVL72 提升 58 倍
vLLM 团队在 NVIDIA Vera Rubin NVL72 单机架上服务 DeepSeek-V4.1-Flash,实现每 GPU 1.7M tokens/s、单用户 387 tokens/s,吞吐为 GB300 NVL72 的 58 倍,峰值吞吐 2.52M tokens/s、单用户最高 1,810 tokens/s。
vLLM Blog
vLLM 在发布当天支持 Thinking Machines 的 Inkling 2 Small
vLLM 在 Thinking Machines 发布 Inkling 2 Small 当天即提供支持,这是一个文本与图像输入的多模态 MoE 模型,总参数 594B、激活 17B,上下文最长 1M tokens。
vLLM Blog
Google 发布 Gemini Decisions API 与 Gemini Decision 1 模型
Google 发布 Gemini Decisions API,面向是/否、多选和评分标准类问题,由新的 Gemini Decision 1 模型驱动。该 API 支持文本、图像、音频、视频和 PDF 输入,单次请求最多 1,000 个问题、256k 上下文,端到端延迟 150-250 ms,每条回答附带置信度分数。定价为每 1M 输入 token 0.10 美元,输出不收费。
Philipp Schmid
Google 发布前沿模型 Gemini 4 Carbon
Google 发布前沿模型 Gemini 4 Carbon,面向复杂长周期工作流,在智能体工作流中覆盖复杂知识工作、软件工程、Web 开发、网络安全和科学推理。
Google AI
Google DeepMind 发布 Gemini 4 Carbon 前沿模型
Google DeepMind 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,称其在网络安全能力和长周期智能体工作流上达到前沿水平。
Google DeepMind
OpenAI 研究模型生命周期中哪些因素影响 CoT 可监控性
OpenAI 对齐研究博客发布研究,考察预训练、架构、强化学习和模型生成数据如何影响 CoT 可监控性的两个代理指标:无 CoT 能力与 CoT 可控性。结果显示,基础模型困惑度下降会稳定提升无 CoT 能力,强化学习会提高 CoT 可控性,且可控性可通过模型生成数据的 SFT 从教师模型传递给学生模型。
OpenAI 对齐研究博客
Ethan Mollick 实测 Claude Fable 5.2:接近但不完全的 AGI
Ethan Mollick 在公开发布前试用 Claude Fable 5.2,认为它已接近他定义的 AGI,即“在多数可用电脑完成的知识任务上达到多数人类专家水平”,但仍属“锯齿状 AGI”。
One Useful Thing (Ethan Mollick)
Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,两者为同一底层模型,在编码、推理和视觉方面均有提升,输出速度比 5.1 快最多 30%,定价为每百万输入 token 8 美元、每百万输出 token 40 美元。
Anthropic News
NVIDIA Research 与 Inferact 发布 REINFORCE Zero:对齐 kernel 实现稳定异步 RL
NVIDIA Research 与 Inferact 发布论文 REINFORCE Zero,提出先对齐 rollout 与训练 kernel、再用不裁剪的 token 级重要性采样修正权重滞后,从而稳定训练异步 RL。
vLLM Blog
Anthropic 发布可验证推理系统 FlashProve 及技术报告
Anthropic 公布可验证推理研究进展,开源原型系统 FlashProve 用 zkSNARK 证明某段输出确由所承诺权重的模型生成。
Anthropic Research
微软团队在 Science 发表诊断编排器研究,提升复杂病例诊断准确率并降低检测成本
微软团队在 Science 发表研究,其诊断编排器能对复杂医疗病例进行推理,在提高诊断准确率的同时降低检测成本。被引用的 @mustafasuleyman 内容称,MAI Diagnostic 系统在急诊场景下比医生的准确率高 1.7 倍,即使医生可以上网查询;该系统成本更低,做出诊断所需的医学检查也更少。
Satya Nadella
Cloudflare 发布 System One 抽取模型 Clairic,上线 Workers AI 预览
Cloudflare 发布 System One 类抽取模型 Clairic,已在 Workers AI 以 @cf/cloudflare/clairic 提供托管预览,并计划后续开放权重。
Cloudflare Blog · AI
