★ 5
GPT-6 Astra 面向工作场景发布
OpenAI 发布 GPT-6 Astra，称其为面向企业的最强模型，具备先进推理、计算机操作以及更强的写作与设计判断能力。该模型定位为工作场景的下一代智能引擎。
OpenAI54 天前
#推理
共 170 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
研究：潜在思维链真的在推理吗？提出统一分类法
论文在 21 种模型-任务配置上，结合链删除、内容替换、探针与轨迹分析，检验潜在思维链是否真正影响答案。结果显示逻辑任务中 COCONUT 常在链开始前就已可读出答案，删除链几乎不影响预测；算术任务则普遍依赖链内容。作者提出分类法区分链表征什么与模型如何使用链。
arXiv cs.AI17 天前
★ 4
谷歌发布 Gemini 4 Argon，主打攻克最难问题
谷歌推出 Gemini 4 Argon，定位为解决最复杂难题的高性能大模型。官方强调其在推理与问题求解能力上的提升，面向高难度任务场景。
Google DeepMind19 天前
★ 4
Meta 发布 Muse Wonder 模型，llm-meta-ai 插件更新
Meta AI 发布新模型 Muse Wonder 及 Muse Wonder Full，号称其最强模型，Artificial Analysis 评分与 GPT-6.1 Sol 相当。Simon Willison 更新 llm-meta-ai 插件至 0.2 版本以支持该模型，并测试了六个推理级别…
Simon Willison Blog20 天前
★ 4
OpenAI 多 Agent 产品化，o1 奠基人称万级 Agent 贡献不足 10%
OpenAI 将多 Agent 协作做成产品，但 o1 核心奠基人指出，用 1 万个 Agent 解世界级难题时，多 Agent 的贡献不到 10%。这一观点对当前多智能体架构的实际增益提出质疑，引发对 Agent 编排价值的讨论。
InfoQ AI24 天前
★ 4
Mistral 发布 Mistral Large 4 预览版
Mistral 发布 Mistral Large 4 预览版，为 1 万亿参数、490 亿激活参数的模型，基于自建 3800 块 NVIDIA Grace Blackwell GPU 集群训练。预览版通过 API 提供，仅支持无推理与高推理两档，承诺月底开源权重。Artificial Analys…
Simon Willison Blog26 天前
★ 4
评论：大语言模型并不真正具备推理能力
AlphaGo团队成员撰文指出，AlphaGo第37手的创造性源于其搜索机制，而非直觉网络，这体现了真正的推理能力。文章认为当今大语言模型缺乏这种推理机制，若要在科学和医学领域产生可信且新颖的成果，必须赋予AI真正的推理能力。
MIT Technology Review – AI31 天前
★ 4
研究：大型推理模型推理阶段的能力与效率缩放规律
论文用层次贝叶斯模型评估 DeepSeek-R1-Distill 系列在四类算术与算法推理任务上的能力与效率。结果显示，固定模型规模下解题正确率随问题规模近似指数衰减，衰减尺度随模型规模亚线性增长，即能力提升递减；输出长度随难度呈幂律增长，但幂律参数不随模型规模系统变化，说明更大模型并未更高效。
arXiv cs.LG39 天前
★ 4
字节跳动与清华开源 DAPO 强化学习系统
字节跳动 Seed 与清华大学 AIR 联合开源了大规模 LLM 强化学习系统 DAPO，包含算法、代码基础设施与数据集。其提出的解耦裁剪与动态采样策略优化算法，在 Qwen2.5-32B 上以一半训练步数达到 AIME 2024 的 50 分，超越 DeepSeek-R1-Zero-Qwen-3…
Hacker News42 天前
★ 4
Salesforce 与英伟达推出推理模型 Koa
Salesforce 发布基于英伟达开源权重 Nemotron 模型构建的推理模型 Koa，专门针对销售、营销和客户支持任务进行训练。该模型被视为对 AI 实验室的潜在威胁，因为它将企业级推理能力与开源权重结合，可能降低企业对通用大模型的依赖。
TechCrunch AI48 天前
★ 4
论文提出信念转变分叉的树状强化学习方法
树状展开为无评论家RLVR提供步级信用，但分叉位置决定收益。论文将分叉放置形式化为定位价值曲线枢轴，提出信念转移分叉：在连续信念分歧最大的步骤前分叉。三种实现无需步级监督，探针成本仅约1%数学步计算。在三个模型家族与两个领域上，该方法在数学与代码基准全面领先。
arXiv cs.AI51 天前
★ 4
论文提出验证差距理论：不可靠验证器致奖励多项式惩罚
论文指出语言模型推理的关键瓶颈是验证鸿沟：形式化领域之外缺乏可扩展且不可腐蚀的奖励。作者提出联合高斯模型，证明验证器与真值相关性是测试时算力与能力的兑换率，并展示在程序合成任务中不健全验证器随优化增长而失效，而现实锚定结算可将攻击差距从约0.27降至约0。研究还提出“证明携带认知”范式与Sound…
arXiv cs.AI53 天前
★ 4
研究：极稀疏监督即可激励 Qwen3 推理能力
研究发现，在策略蒸馏中，仅用每个推理轨迹的一两个token（占总token的0.05%）进行监督，就能匹配甚至超越全token训练的效果。该现象在多个模型规模和任务上得到验证，挑战了后训练必须密集token的假设，为高效后训练算法提供了新方向。
arXiv cs.AI56 天前
★ 4
PerfReasoning基准评估大模型硬件性能推理
PerfReasoning基准测试大模型在硬件性能推理和生成分析性性能模型代码方面的能力。最强闭源模型在推理问答中超过90%，最佳开源模型达82.4%，但模型构建难度大，除GPT-5.6 Sol外其余模型平均通过率低于15%。任务特定强化学习可将4B模型映射推理准确率提升15.7个百分点。
arXiv cs.AI56 天前
★ 4
★ 4
★ 4
谷歌发布Gemini 3.8 Flash，推理更强但成本更高
谷歌推出Gemini 3.8 Flash模型，距前代仅数周。新模型在复杂任务上执行更多推理步骤，但可能消耗更多token，导致实际成本增加。开发者可继续使用3.7 Flash以控制成本。
The Verge AI60 天前
★ 4
★ 4
OpenAI自研Jalapeño芯片提升AI推理速度
OpenAI宣布其自研AI芯片Jalapeño在任务效率和响应速度上优于竞争对手。该芯片是与博通合作的ASIC，专为AI推理设计，旨在平衡低延迟和高吞吐量。
The Verge AI68 天前
★ 4
NVIDIA Nemotron 3 Ultra 发布
NVIDIA 推出 Nemotron 3 Ultra，专为高吞吐量推理和长时间运行的智能体工作流设计。该模型旨在提升复杂推理任务的效率，并支持多步骤智能体应用。
Ollama Blog151 天前
★ 4
★ 3
辅助奖励自改进：用熵指标加权 Qwen3-1.7B 推理轨迹
论文研究辅助轨迹偏好能否提升小模型自改进，比较基于置信度与基于熵的 UID-Conj. 指标。在线实验中在 30 道 AIME 题上适配 Qwen3-1.7B，UID-Conj. 比原始 TTRL 宏平均提升 2.08 个百分点。离线加权 SFT 中比均匀加权高 1.93 分，95% 置信区间为 …
arXiv cs.AI8 小时前
★ 3
ImplicitHop：评测大模型跨上下文与记忆的知识整合能力
研究者提出 ImplicitHop，包含图结构与真实知识图谱两套基准，评估 LLM 在不同推理深度下的演绎推理与知识整合。结果显示准确率随组合长度增加而急剧下降，且上下文内信息显著优于预训练权重中的知识，揭示当前模型的根本局限。
arXiv cs.AI8 小时前
★ 3
研究揭示思维链可控性源于开头几个 token
论文研究大模型为何难以控制其推理轨迹中的表述内容，将其与思考标签后最初几个 token 的熵坍缩联系起来。作者通过预填充初始 token 与禁用高频开头 token 两种推理时干预恢复可控性，后者使平均合规率提升 34-41 个百分点。研究还发现「添加/风格」可控性与「抑制」可控性表现为不同能力。
arXiv cs.AI8 小时前
★ 3
ThinkJev 用快慢双系统按需思考，降低类型化决策成本
论文提出 ThinkJev，基于同一开源混合思考模型构建快慢双系统：System 1 直接读取选项字母概率，System 2 在缓存提示上思考后再读同一批字母，可复用同一次思考覆盖所有思考预算。在 5% 目标错误率下，Qwen3.5-27B 有 24.5% 的测试决策由 System 1 直接作答…
arXiv cs.AI3 天前
★ 3
微软承诺 Maia 扩至数吉瓦级推理，效率遭质疑
微软承诺将自研 Maia 芯片推向数吉瓦级的推理部署规模，但外界对其能效与效率指标提出质疑。该计划反映云厂商自研 AI 芯片以降低推理成本的趋势。
InfoQ AI4 天前
★ 3
研究：token 置信度评分主要反映思维链长度而非正确性
论文用信号处理方法审计推理模型的 token 置信度打分法，在 500 道数学题各采样 16 条思维链。结果显示滑动窗口最低置信度分数主要度量链长，仅按长度排序效果相当甚至更好；扣除长度后该分数对正确性无信息量。频谱中虽存在微弱信号，但不足以改善多数投票或提前停止策略。
arXiv NLP5 天前
★ 3
研究提出 CARD：将解题轨迹转为教学轨迹的推理蒸馏
论文指出直接用大推理模型的原始解题轨迹做蒸馏存在目标错配，提出基于强化学习的 CARD 框架，用分布对齐奖励与逻辑连贯奖励把解题轨迹改写成贴合学生模型认知的教学轨迹。在多个学生模型上，域内表现优于原始轨迹蒸馏，域外泛化提升明显。
arXiv cs.AI5 天前
★ 3
SOPO：苏格拉底式策略优化提升片段级幻觉检测
研究者提出 SOPO（苏格拉底引导的策略优化），一种多轮强化学习框架，用于片段级幻觉检测。它通过教师模型提供间接提示引导推理轨迹，缓解难例奖励稀疏问题，并用轮次优势缩放抑制冗长。在 RAGTruth 上，4B 版本超越 GPT-5 等专有模型与标准 RL 基线，代码与 1.7B、4B 模型已开源。
arXiv NLP7 天前
★ 3
REACT：在思维链早期激活层干预，安全输出率升至 82%
论文提出 REACT，从安全与不安全轨迹对中学习安全方向，仅在思维链早期隐藏状态施加一次干预，模型权重保持冻结。在 DeepSeek-R1-Distill-Llama-8B 上，完全安全输出率从 29.06% 提升至 82.05%，且良性拒答与有用性基本不变。
arXiv cs.LG7 天前
2026-W44本周算力芯片最受关注的是 10-26 SpaceX 400 亿美元 GPU 融资，4 篇报道集中跟进。相比以往以采购和租赁为主的算力扩张，这次以巨额融资直接锁定 GPU，说明算力竞争正从买卡转向资本层面的军备竞赛，资金门槛明显抬升。