论文提出 Belief-Trajectory Energy，量化大语言模型逐层预测轨迹
论文提出 Belief-Trajectory Energy（BTE），通过量化大语言模型逐层预测修订来刻画输入对模型内部信念的影响，并以 Fisher-Rao 几何给出理论解释。
推荐理由：原文给出了一个可在不同任务间迁移的层间轨迹度量框架，读者可以据此判断它在模型可解释性或数据筛选中的可用场景。
技术方向
推理能力 最新动态
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。
214 条精选近 30 天 181 条共收录 261 条
更新
精选归档 · 第 10 页
HF Daily Papers精选AI 评分4242
HF Daily Papers精选AI 评分3737 R-Quest：用问题有效性与新颖性反馈维持推理模型自进化
该工作提出 R-Quest，通过问题有效性判断和基于冻结基模型的成对新颖性反馈来指导自进化训练，在数学推理、通用推理与代码生成的 12 个基准上取得最高平均分，覆盖两种模型家族；该方法在 10 轮自进化中保持稳定提升，最终一轮比 R-Zero 高 17.32 分。
推荐理由：论文拆解了自进化推理模型训练崩塌的两个机制原因，并给出可迁移的问题过滤与新颖性反馈方案，对自训练稳定性设计有参考价值。
MIT Technology Review精选AI 评分3636 MIT Technology Review 每日通讯：前 DeepMind 成员称大语言模型不会真正推理
前 Google DeepMind AlphaGo 团队核心成员 Thore Graepel 撰文称，当前大语言模型并不具备真正的推理能力，并解释他近期离开 DeepMind 是为寻找借鉴 AlphaGo 架构的新机器推理路径。本期还汇总 OpenAI 自主智能体疑似波及逾 100 家组织、Yann LeCun 关于智能体失控的评论，以及生物逆龄竞赛、Nvidia 芯片走私等其他当日科技要闻。
推荐理由：前 DeepMind AlphaGo 团队成员发文质疑大语言模型缺乏真正的推理能力，为讨论当前模型智能边界提供一个来自一线研究者的对照视角。
NVIDIA Blog精选AI 评分6565 GPT-6 Astra Ultrafast 如何借助 NVIDIA Blackwell GPU 实现最高 8 倍推理加速
OpenAI 在 NVIDIA Blackwell GPU 上推出 GPT-6 Astra Ultrafast 模式，借助推理优化使 token 生成速度比 Astra Standard 模式最高提升 8 倍，现已在 OpenAI API 及符合条件的 ChatGPT Work 和 Codex 用户中开放。
推荐理由：OpenAI 借助 NVIDIA Blackwell 架构与自研模型优化，将 GPT-6 Astra 推理速度提升至最多 8 倍，呈现了软硬件协同迭代的具体做法。
量子位精选AI 评分6969 谷歌发布 Gemini 4 Argon：搭载 RSI，基准成绩领先 Opus 5.5 和 GPT-6
谷歌发布 Gemini 4 Argon 旗舰模型，搭载 RSI，在 DeepSWE v1.1（77.4%）、CWE-bench v1（68%）、Vals Index（68.90%）等基准上领先 Claude Opus 5.5 和 GPT-6 Astra，并在 Code Arena 排第八。
推荐理由：文章集中给出 Gemini 4 Argon 与 Opus 5.5、GPT-6 Astra 在 DeepSWE、CWE-bench、Text Arena 等基准上的横向对照和价格差异，读者可据此定位它在前沿模型梯队中的相对位置。
AWS Machine Learning Blog精选AI 评分5858 xAI Grok 4.7 上线 Amazon Bedrock，支持 500K 上下文与四档推理
xAI 的 Grok 4.7 在 Amazon Bedrock 上线，提供 500K token 上下文与 low、medium、high、xhigh 四档可配置推理强度。
推荐理由：原文给出 Grok 4.7 在 Bedrock 上的 500K 上下文、四档推理设置，并附带 Artificial Analysis 对比 Grok 4.6 的评测数据。
Latent Space精选AI 评分7676 Claude Opus 5.5 与 GPT-6 Sol/Luna 同日发布，多家 API 同步降价
AI 日报 Latent Space 汇总：Anthropic 发布 Claude Opus 5.5，官方称多数任务达到 Fable 5.1 水平、运行成本较 Opus 5 低约 40%，API token 价格从 $5/$25 降至 $4/$20 每百万，并在 Claude Code 与 API 中设为默认模型。
推荐理由：两款旗舰模型同日发布并集体降价，文中给出基准对比、token 成本逐项拆解与社区多组实测数据。
Simon Willison精选AI 评分7979 Claude Opus 5.5 与 GPT-6 Sol/Luna 同日发布，价格战全面升级
Anthropic 发布 Claude Opus 5.5，OpenAI 同步推出 GPT-6 Sol 和 GPT-6 Luna，三款模型较前代均大幅降价，其中 GPT-6 Luna 定价 $0.10/$0.50 per M tokens，Opus 5.5 输入降价 20%、缓存读取降价 60%。
推荐理由：作者实测了三款同日发布的新模型，给出一张直观的横向价格对比表，并记录了首次发现的过思考中断现象。
Anthropic News精选AI 评分8181 Anthropic 发布 Claude Opus 5.5，能力接近 Fable 5.1 且运行成本降 40%
Anthropic 发布 Claude Opus 5.5，能力接近 Claude Fable 5.1，运行成本比 Opus 5 低 40%，输出速度提升超 30%。
推荐理由：Anthropic 在能力接近 Fable 5.1 的同时把 Opus 5.5 的运行成本压低 40%，并附上编码、知识工作与对齐的多项基准对比。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化与成本效率、以及高复杂度任务与多步推理。
推荐理由：两款模型分别面向规模化部署与高复杂度语音推理，附带多项基准成绩与上线渠道，便于横向评估它在对话语音赛道的位置。
OpenAI News精选AI 评分5757 OpenAI 发布 GPT-6 Astra 面向企业工作场景
OpenAI 发布面向企业的 GPT-6 Astra 模型，主打高级推理、计算机操作以及更强的写作与设计判断能力。
OpenAI News精选AI 评分4444 OpenAI 公布 AI 生成的纳维–斯托克斯千禧年数学难题解答及 Lean 形式化证明
OpenAI 公布了对纳维–斯托克斯千禧年数学难题的 AI 生成解答，并附完整论述与 Lean 形式化证明。原文仅提供 feed 摘要，更多内容见 https://openai.com/index/navier-stokes-solution 。
推荐理由：OpenAI 给出千禧年数学难题的形式化解答与 Lean 验证，让读者可独立核查这一数学宣称的可信度。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber
Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber 两款新模型，分别面向通用推理编码与网络安全防御。
推荐理由：同一价位下编码与推理能力相对前代明显提升，且同步给出安全专用版的基准与开放范围，读者可据此做选型对照。
DeepSeek精选AI 评分7373 DeepSeek 发布 V4-Flash-Vision-Exp 实验多模态模型
DeepSeek 发布 V4 系列首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，在 V4-Flash 架构上加入视觉模块继续训练。
推荐理由：仓库同时给出与 Opus-4.8 的多模态 Agent 基准对比和开源推理实现，读者可据此判断它在 V4 系列里的相对位置。
Hugging Face Blog精选AI 评分6464 IBM Granite 4.2 推理模型构建详解：从预训练到多阶段 RL
IBM 发布 Granite 4.2 推理模型系列，提供 3B/8B/30B 三种 dense decoder-only 规格，以 Apache 2.0 开源。
推荐理由：详细拆解了 Granite 4.2 的架构与多阶段 RL 训练流程，包含 GRPO 异步训练和真实环境智能体 RL 设计，可作为开源推理模型训练方法参考。
智谱 GLM精选AI 评分7171 智谱发布开源模型 GLM-5.3，强化编码与漏洞利用能力
智谱发布开源模型 GLM-5.3，与 GLM-5.2 共享基座，全部增益来自后训练。在自研 Z.ai Code Bench 上较 GLM-5.2 提升 50%，并在 Terminal Bench 3.0、Agents' Last Exam、CyberGym 取得开源 SOTA。
推荐理由：在同一份基准表中与八款模型横向打分，并附详细评测参数与防作弊设置，便于直接复现同口径对比。
智谱 GLM精选AI 评分6969 智谱发布开源模型 GLM-5.3，主打编码与漏洞利用能力提升
智谱发布开源模型 GLM-5.3，能力提升全部来自对 GLM-5.2 的后训练，底层基础模型未变；自研 Z.ai Code Bench 较 GLM-5.2 提升 50%，Terminal Bench 3.0 和 Agents' Last Exam 取得开源 SOTA，CyberGym 漏洞发现达到 SOTA，漏洞利用类基准较 GLM-5.2 翻倍以上。
推荐理由：原文列出了 GLM-5.3 在十余项编码与 Agent 基准上与闭源、开源模型的逐项分数，可作为评估开源前沿模型能力的对照参考。
Qwen精选AI 评分7373 千问开源 Qwen3.8-Flash-Next 模型，作为 Qwen4 架构实验预览
千问（Qwen）在 Hugging Face 开源 Qwen3.8-Flash-Next 的 FP8 量化权重，称其为 Qwen4 架构的实验性预览版本。该模型总参数 125B、激活 6B，并附带 51B n-gram embedding 与 4B MTP，原生 262,144 tokens 上下文可通过 YaRN 扩展至 1,000,000 tokens。
推荐理由：作为 Qwen4 架构的实验预览，文中给出的稀疏注意力与 N-gram 嵌入设计可与既有 MoE 路线横向对照。
DeepSeek精选AI 评分7676 DeepSeek-V4-Pro 0813 正式发布，新增 DSpark 推测解码模块
DeepSeek 正式发布 DeepSeek-V4-Pro 0813，在预览版基础上挂载 DSpark 推测解码模块，重点强化智能体能力。该模型在 HLE 上得分 42.7/60.0（无工具/有工具），Terminal Bench 2.1 达 87.9，DeepSWE 62.7。
推荐理由：正文给出与同代模型的基准对比和 vLLM/SGLang 部署方式，读者可直接评估其相对位置并复现推理流程。
Meta AI Blog精选AI 评分6161 Meta 发布多模态推理模型 Muse Spark 1.1，主打智能体能力
Meta 推出多模态推理模型 Muse Spark 1.1，在工具调用、计算机使用、编码和多模态理解上较前代有大幅改进，支持 1M token 上下文管理，可作为主智能体调度子智能体优化延迟。开发者可通过公开预览的 Meta Model API 接入该模型，同时它在 Meta AI 应用和 meta.ai 以 Thinking 模式上线。
推荐理由：原文逐项给出 Agent、Computer Use、编码、多模态的改进点，配合 Meta Model API 公开预览，读者可直接对照工作流判断适配度。