跳到正文

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。

41 条精选近 30 天 37 条共收录 107 条

更新

精选归档 · 第 2 页

11月11日周三第 21–40 条
11月10日周二
  1. Hugging Face Blog70

    Hugging Face 决策模型接口与生态实践

    Hugging Face 介绍决策模型如何以状态、问题和预定义答案为输入,直接返回结构化决策及概率,而不生成响应文本。其基础接口包含 Choice、Score 和 Noul 三种决策原语,并提供置信度计算方式。

    推荐理由:文章系统梳理决策模型的接口与概率计算方式,并展示其在 Transformers、llama.cpp 和 Hub 中的接入方式。

  2. AIHOT86

    Anthropic 指南:Claude 开发如何选择 Haiku 5.5、Sonnet 5.5、Opus 5.5 和 Fable 5.2

    Anthropic 建议 Claude 开发默认从 Opus 5.5、medium effort 开始,再按任务难度转向 Sonnet 5.5、Haiku 5.5 或 Fable 5.2。文章比较了各模型的 token 价格、上下文窗口、延迟、基准表现与 API 兼容性,并说明如何用 effort 档位、子智能体和真实任务测试优化成本与能力权衡。

    推荐理由:文章按任务类型、延迟、成本和兼容性比较 Claude 模型,并给出模型选择、effort 调整、子智能体分工及迁移检查方法。

  3. AIHOT81

    Anthropic 用 1000 个 Claude Fable 5.2 智能体在沙箱内复现费马大定理形式化证明

    Anthropic 让 1000 个运行 Claude Fable 5.2 早期版本的智能体在沙箱内复现费马大定理的 Lean 形式化证明,团队仅使用 Git 和共享数据库协调。实验历时 28.7 小时,输出 token 用量为原方案的三分之一,证明长度为原方案的七分之一;运行期间没有工具调用达到实时阻断标准。

    推荐理由:实验记录了千个智能体如何通过数据库、Git 与任务树自主协调,并展示沙箱和双重监控对规模化智能体实验的支撑。

  4. AIHOT76

    Anthropic 测试 Claude Fable 5.2 端到端设计三种电子设备并制作可用原型

    Anthropic 与 Diode Computers 合作测试 Claude Fable 5.2,让其从需求出发设计扬声器电话、语音助手中枢和掌上虚拟宠物,并指导工程师完成原型制作。

    推荐理由:文章展示 Claude Fable 5.2 在电子设备设计、仿真和原型制作中的端到端实践,并对比了其在 PCB 布局与 CAD 基准上的表现。

11月9日周一
  1. AIHOT77

    百度发布 ERNIE Evolve 自动研究系统并优化 ERNIE-5.5-Flash 推理效率

    百度发布 ERNIE Evolve 自动研究系统,通过持续提出研究方向、修改代码、执行实验和复核结果完成研发迭代。它在 NanoChat AutoResearch 和 NanoGPT Speedrun 两项公开任务上超过公开验证的最好结果,并已用于 ERNIE-5.5-Flash 的生产级推理优化。

    推荐理由:文章展示了自动研究系统在公开基准与生产推理优化中的闭环流程、数据结果和落地方式,便于理解递归自我迭代如何进入真实研发。

11月6日周五
  1. AIHOT83

    Thinking Machines Lab 发布 Inkling 2 Small MoE 模型

    Thinking Machines Lab 发布 Inkling 2 Small,这是一款 594B 总参数、17B 激活参数的 MoE 模型,支持图像输入和可变推理投入。

    推荐理由:文章披露了 Inkling 2 Small 的参数规模、训练流程、基准表现与安全评估,便于读者比较其编码、视觉和长程智能体能力。

11月5日周四
  1. AIHOT77

    Anthropic 用 Claude 解出原核细胞中首个 vault 颗粒 3D 结构

    Anthropic 使用 Claude 辅助解析出原核细胞中首个 vault 颗粒的 3D 结构。该结构由 96 份噬菌体蛋白 L05 组成,研究团队用 cryo-EM 确认其形态,并将 vault 纯化时间从约 3 天缩短至约 90 分钟。Claude 还参与蛋白质序列检索、DNA 构建设计、分离方法优化和显微镜数据处理,首个完整结构模型在 34 小时后完成;研究预印本已提交 bioRxiv。

    推荐理由:文章展示了 Claude 参与序列检索、结构实验和多智能体分析的完整流程,以及传统结构生物学工作中可迁移的加速方法。

10月29日周四
  1. Mistral AI82

    Mistral Large 4(Le Chonk)发布开放权重

    Mistral AI 发布 Mistral Large 4(Le Chonk)开放权重,这是一款 1-trillion-parameter 原生多模态模型,重点增强编码与防御性网络安全能力。

    推荐理由:文章汇总模型在编码、终端任务和网络安全评测中的数据,并给出推理模式与部署入口,便于比较实际能力边界。

  2. Google DeepMind70

    Google DeepMind 发布 Gemini 4 Carbon 长时程与网络安全模型

    Google DeepMind 发布 Gemini 4 Carbon,主打长时程智能体工作流和网络安全防御。模型在 Artificial Analysis Intelligence Index v5.0 得分为 59,并在 SEC-bench Pro、ExploitGym 和 CWE-bench 上分别达到 88.2%、54.8% 和 71.0%。

    推荐理由:把长时程编码与漏洞发现、验证、修补放在同一模型能力框架下,并披露基准成绩与分阶段开放安排。

10月27日周二
  1. AIHOT84

    OpenAI 邀请外部专家核查 AI 生成的数学、计算机科学与物理学证明

    OpenAI 邀请外部专家核查其 AI 在数学、计算机科学和物理学领域产出的证明,涉及 ETH、局部平滑猜想和四维量子场论。OpenAI 已将部分数学和计算机科学证明转为 Lean,并承诺公开原始材料;计算机科学、物理学和数学证明分别由不同专家小组审查,部分材料尚未公布。

    推荐理由:文章梳理 OpenAI 如何组织外部专家核查 AI 生成的数学与物理学证明,并呈现 Lean 验证、开放材料与独立复核之间的张力。

  2. AIHOT88

    OpenAI 宣布 AI 模型取得局部光滑猜想、ETH 与杨–米尔斯理论三项突破

    OpenAI 宣布其 AI 模型在数学、计算机科学和物理学领域取得三项突破,包括证明所有维度下的局部光滑猜想、推翻指数时间假设 ETH,以及提出量子色动力学和纯杨–米尔斯理论存在性的严格数学证明。数学和计算机科学成果已通过 Lean 形式化验证,证明材料已发布至公开 GitHub 代码仓库,物理学成果正由包括诺贝尔物理学奖得主在内的专家审查。

    推荐理由:OpenAI 公开了数学与计算机科学成果及 Lean 证明,并邀请领域专家参与验证和审查,呈现了 AI 参与科学研究的协作机制。

10月22日周四
  1. Microsoft Research86

    Microsoft Research 与合作者借助人机协作证明 KLS 猜想

    Microsoft Research 研究员 Xinzhi Zhang 与合作者 Zhao Song 借助研究人员引导的 AI 智能体流程,完成了 KLS 猜想的证明。研究团队探索了 100 多条候选路径,并通过递归改进将界限与维度脱钩,10 月 4 日论文版本完成证明。另有两组独立证明随后出现,Lean 4 形式化验证也已发布,简化后的证明仍在整理和审查中。

    推荐理由:文章展示了人机协作研究如何通过约百条轨迹、递归改进和形式化验证推进高维几何核心难题。

10月17日周六
  1. Google Research70

    Google Research 介绍 AI 智能体自主湿实验室的三项研究进展

    Google Research 展示了 VERID 实验室数字孪生、闭环适配体发现和全新蛋白质结合物设计三项研究进展。VERID 通过实时 3D 状态、虚拟试运行、硬件安全检查及同步日志,让智能体在液体处理机器人执行实验前识别物理、逻辑和科学层面的无效操作。

    推荐理由:给出VERID数字孪生、适配体闭环发现和蛋白质结合物设计三类路径,便于比较AI智能体进入湿实验室的技术难点与安全边界。

10月15日周四
  1. Google Research76

    Google Research 公开 Deep Review,用智能体流程审查复杂技术文档

    Google Research 公开 Deep Review,一款用于复杂文档严格反馈与技术验证的智能体系统,初期面向计算机科学论文,现已扩展到法律、金融等领域。

    推荐理由:Deep Review 通过文档分段、动态计算预算、并行验证和全局综合审查复杂文档,读者可以据此了解其技术流程与适用范围。

10月14日周三
  1. Google DeepMind77

    Google DeepMind广泛推出Gemini 4 Argon并公布安全机制

    Google DeepMind开始广泛推出Gemini 4 Argon,并扩大Fairwind Program,向更多可信网络防御者开放。Argon在12个端到端模拟网络攻击场景中全部解题,此前一代模型解决了5个;模型还采用输入筛查、内部内省和持续监控三层实时防护。

    推荐理由:文中给出Argon的网络防御表现、三层滥用防护和实时失配监测,便于读者评估其广泛开放后的安全边界。