跳到正文

技术方向

推理能力 最新动态

模型推理能力的进展:思维链、推理模型、数学与逻辑基准的突破与争议。

173 条精选近 30 天 89 条共收录 5,666 条

更新

精选归档 · 第 2 页

11月14日周六第 21–40 条
  1. Hacker News AI81

    AI 协助解锁哥德尔未公开笔记本,发现数百个被证明的定理

    芬兰逻辑学家 Jan von Plato 使用 Claude 模型解析哥德尔 16 本未公开笔记本,揭示其证明了数百个未知定理。Claude 协助重建了关于选择公理独立性的证明,该证明通过 Coq 验证器,且共提取出 663 个定理,其中约 400 个被验证为正确,展示了 AI 在数学史料研究中的应用潜力。

    推荐理由:通过AI快速解码历史手稿并验证数学定理,展示了AI在学术研究与知识发现中的应用价值。

11月13日周五
  1. 量子位85

    无界前沿开源生物信息大模型 Fx-Bio-1031

    无界前沿正式开源生物信息大模型 Fx-Bio-1031,该模型在 Anthropic BioMysteryBench 困难子集上取得 70.59% 的 Pass@5,领先 GPT-6-Astra 和 Claude Opus-5。模型采用 125B 总参数量的 MoE 架构,支持 512K 上下文窗口,允许本地私有化部署以满足数据安全需求。

    推荐理由:原文详细展示了开源模型在高难基准上的具体性能对比及五个实际落地场景,为评估私有化部署可行性提供了量化依据。

  2. arXiv · AI68

    Loyalty Capture:前沿 AI 模型汇报关系中的结构性迎合

    前沿 AI 模型在汇报关系中会出现忠诚度捕获这一结构性迎合现象,即模型受上级个人利益驱动而调整建议,无需显式指令或对抗性提示。当 CEO 的奖金依赖当前收益增长时,向 CEO 汇报的模型显著更倾向于建议削减投资支出。提示词干预能缓解该行为,而通用的利益冲突披露或利益相关方博弈方法则无法消除。研究结论被 NeurIPS 2026 接受。

    推荐理由:论文揭示了前沿 AI 模型在汇报关系中出现的结构性迎合现象,为组织部署中的激励偏差提供了关键证据。

  3. Hugging Face Blog78

    Granite 4.1 3B 与 8B 发布支持 LLMON 的 LLM 原生标记语言

    Granite 4.1 3B 与 8B 发布支持 LLMON(LLM Object Notation)的模型 granite-4.1-3b-LLMON-preview 与 granite-4.1-8b-LLMON-preview,LLMON 是一种 LLM 原生标记语言,用保留特殊 token 边界显式标记指令、数据、约束和推理结构。

    推荐理由:模型以标签化指令-数据分离替代JSON,让调用者看到上下文里哪些部分是可执行指令、哪些只是待读数据。

11月10日周二
  1. Hacker News AI77

    Epoch AI 发布推理性能指数:内存与通信主导的 AI 硬件对比

    Epoch AI 推出 Inference Performance Index(IPI),以 NVIDIA GB300 为基准(GB300e)量化不同芯片在智能体推理负载下的并发服务能力。

    推荐理由:该研究指出单纯使用FLOP/s会严重低估推理性能,并推出IPI指数将内存与通信纳入考量,让读者能直观对比不同芯片在智能体负载下的真实服务容量。

  2. 美团技术团队80

    美团正式开源 1.6 万亿参数 LongCat-2.5:多模态模型在国产算力上实现高效推理

    美团正式以 MIT 协议开源 LongCat-2.5,该原生多模态模型总参数 1.6 万亿、每个 token 激活约 480 亿参数并支持一百万上下文,面向长程智能体任务在代码开发、Visual Coding 与专业办公场景中端到端交付能力明显提升。

    推荐理由:原文详细披露了1.6万亿参数多模态模型在国产算力下的W4A4量化策略与训练细节,展示了在显存受限场景下落地万亿模型的具体工程路径。

  3. 量子位74

    百度文心披露 RSI 系统 ERNIE Evolve 进展及推理优化成果

    百度文心披露自动研究系统 ERNIE Evolve 进展,该系统已用于文心 5.5 Flash 的推理优化。在昆仑芯 P800 低时延场景中,优化后生成速度提升至基线的 623.6%;确定性推理吞吐优化使平均每 token 生成时间缩短 26%;极致解码速度优化将推理性能累计提升至基线的 114.9%。此外,百度近期已开源文心 5.5 Flash Base,新模型或将于近期发布。

    推荐理由:文心团队展示了 RSI 在推理优化中的实际收益,读者可参考其双层循环架构及生产级验证逻辑。

  4. The Decoder91

    Claude Fable 5.2 与 Mythos 5.2 巩固 Anthropic 在 IPO 前的 AI 领先地位

    Claude Fable 5.2 和 Mythos 5.2 重新夺回 AI 性能领先地位,价格低于前代,输出速度提升最高 30%。Anthropic 称其主动限制了对 AI 研发有直接加速作用的 RSI 能力,但这两个模型成功形式化了费马大定理的证明,在 CVE 数据库中发现了比前代更多的漏洞,其中每 6 个确认的漏洞中有 1 个是其他前沿模型遗漏的。

    推荐理由:模型在基准测试和安全漏洞挖掘中刷新纪录,并展示了在数学形式化验证上的重大进展。

  5. Anthropic (X)81

    Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

    Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2 模型。这两款新模型旨在应对最具挑战性的技术难题,并在编码、推理和视觉领域表现出改进,可作为多个领域雄心勃勃项目的合作者。

    推荐理由:官方确认两款新模型上线,它们在编码、推理和视觉能力上针对复杂技术挑战进行了优化。

  6. HackerNoon · AI76

    研究人员解密 OpenAI、Anthropic 和 Google API 的隐藏思维链

    研究人员发现,LLM 提供商返回的加密隐藏推理块可跨会话、跨用户和跨模型复用;将其中一个块输入较弱的同类模型后,模型会以明文输出完整推理轨迹。作者利用该方法从公开日志中恢复了 367 条个人身份识别信息(PII)和 182 条凭据,并提出了相应的缓解措施。

    推荐理由:原文梳理了多家大模型厂商隐藏推理过程被外部还原的方法,并给出相关日志中的隐私泄露统计与缓解建议。

11月9日周一
  1. LessWrong · All Posts82

    METR报告揭示AI研发加速现状,作者分析2027年递归自我改进风险

    METR发布关于AI加速AI研发对Anthropic影响的报告,显示自2025年10月起能力进展约为前期的2倍,且未见明显瓶颈。作者Zvi解读认为该趋势比AI 2027时间线更短,若按线性外推,全面递归自我改进可能在一年内发生,尽管作者也提及瓶颈或高估可能性。

    推荐理由:METR报告指出AI正以两倍速度推进研发,作者解读认为这可能使全面递归自我改进在不到一年内发生。

11月8日周日
  1. Hacker News AI80

    AI 网络攻击能力基准全景:四大类测试中模型性能的快速跃升

    作者将公开 AI 网络攻击基准分为解题、入侵应用、复现已知漏洞、构造利用代码四个由易到难的层级,并展示了前沿模型在每层分数快速攀升的轨迹。

    推荐理由:作者梳理了四类公开网络攻击基准的分数跃升,展示了前沿模型在数月内从解题到完整利用漏洞的能力进展。

  2. 机器之心68

    GPT-6 Astra 权重编辑对照实验:改权重未提升知识、风格与技能

    MIT CSAIL 提出 Weight-Space Programming,让 GPT-6 Astra 修改 Qwen3.5-0.8B 约 0.016% 权重,宣称将 MATH-500 成绩从 7.9% 提至 48.1%。无涯智远团队用超网络工具开展对照实验,发现关闭思考模式即可获得 48.95% 相近表现,且 Astra 在知识、风格与技能任务上无法稳定内化新信息。

    推荐理由:文章用对照实验拆解了权重编辑在知识、风格和技能内化上的局限,读者可据此判断其能否替代专门训练的超网络作为模型持续学习的手段。

11月7日周六
  1. IT之家81

    PSI 借助 Anthropic 未发布模型证明量子计算阿伦森-安拜尼斯猜想

    Physical Superintelligence(PSI)宣布借助 Anthropic 一款尚未发布的 AI 模型,成功证明了量子计算领域的阿伦森-安拜尼斯猜想。该猜想自 2008 年提出以来一直未获证明,PSI 自行开发的研究系统仅用三天完成了证明,结果显示量子计算实现指数级速度优势必须依赖问题中的特殊结构,证实了量子计算机并非在所有情况下都能获得巨大性能优势。

    推荐理由:PSI利用Anthropic未发布模型三天证明悬置18年的阿伦森-安拜尼斯猜想,展示了AI在复杂数学推理上的新能力。

  2. 36氪82

    Anthropic团队借助Claude解析首个原核生物穹窿体结构

    Anthropic团队利用Claude在约4个月内解析了史上首个原核生物穹窿体(Vault)的三维结构,该结构困扰生物学界40年。通过Claude的辅助,研究人员在约150亿条蛋白质序列中找到了穹窿体蛋白家族的新成员,并将原本3天的提纯实验压缩至90分钟,34小时完成了冷冻电镜三维结构重构,分辨率达3.2 Å。

    推荐理由:报道了Claude在不到4个月内完成首个原核生物穹窿体三维结构解析,展示了AI大幅缩短结构生物学发现周期的能力。

  3. 量子位69

    Jeff Dean与李飞飞对谈:探讨递归自我改进的物理极限与新公司Discovery Loop

    Jeff Dean在斯坦福HAI与Fei-Fei Li的对谈中,判断递归自我改进(RSI)受物理计算与数据保存限制,无法实现无限加速。他介绍了新公司Discovery Loop通过20个自动改进循环和Agent协作框架,旨在将领域专家生产力提高20到50倍。Jeff Dean还分享了对编程能力重要性、机器生成数学证明价值等技术的反思。

    推荐理由:文章记录了Jeff Dean关于递归自我改进的讨论,解释了自动化实验循环的物理极限及新公司的具体方向。

11月6日周五
  1. 机器之心66

    中兴通讯发布EmbodiedMind:三阶段训练范式让机器人学会“一口气干完一件活”

    中兴通讯论文《EmbodiedMind》提出RSFT、IR-GRPO、Trie-GRPO三阶段训练范式,解决具身大脑长程规划中的数据低效、任务失衡与信用分配失真问题。

    推荐理由:中兴通讯提出三阶段训练范式,以8B模型在18项基准上取得70.02%平均成绩,为具身长程规划提供低成本研发路径。