技术方向
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。
572 条精选近 30 天 41 条共收录 2,920 条
Baidu Inc.@Baidu_Inc精选AI 评分6565隆重推出 ERNIE 5.1 Preview —— 现已上线！🚀 在 @arena 的 Text Arena 中全球排名第 13，在中国实验室中排名第 1。 在以下领域跻身全球前 10： 📐 数学 —— 第 9 ⚖️ 法律与政府 —— 第 1 💼 商业、管理与金融运营 —— 第 4 💻 软件与 IT 服务 —— 第 7 基于 ERNIE 5.0 强大的预训练基础构建，ERNIE 5.1 Preview 将总参数量压缩至前代的约 1/3，激活参数量压缩至约 1/2，同时仅使用同类模型约 6% 的预训练成本 —— 在其规模下实现了领先的基础性能。 立即体验 👉 https://ernie.baidu.com/ 更多新模型即将推出 —— 敬请期待 👀
推荐理由：ERNIE 5.1 Preview 把参数量砍到前代的 1/3，性能还稳住了，6% 的训练成本近乎白嫖，国产模型打榜的意义不大，但这效率提升对做应用落地的人来说是实打实的好处。
Ant Ling@AntLingAGI精选AI 评分7272👏 认识来自 @AntLingAGI 的 Ling-2.6-1T，这是一款万亿参数旗舰即时指令模型，专为大规模下的快速执行与高效率而打造。Day-0 支持现已在 SGLang 上线！ 1️⃣ 快速思考方式：比同类模型便宜约 4 倍，质量毫不妥协 2️⃣ 在 AIME26 与 SWE-bench Verified 上达到 SOTA 3️⃣ 专为高级编程、复杂推理与大规模智能体工作流而打造 4️⃣ 万亿参数能力，即时模型延迟 Cookbook：https://docs.sglang.io/cookbook/autoregressive/InclusionAI/Ling-2.6
推荐理由：万亿参数做到即时延迟和4倍成本优势，还有SWE-bench SOTA，这份承诺如果兑现，会改变大规模Agent部署的性价比计算。值得去cookbook跑一下验证。
文章揭示了支撑大语言模型（如GPT、Claude、LLaMA）训练与服务的核心数学框架。通过剖析关键方程，可以逆向推导出顶尖AI实验室在模型规模扩展、计算资源分配及服务优化方面的核心策略与实践。这些数学原理不仅解释了模型性能随参数和数据量增长的规律，也量化了训练成本与推理效率之间的权衡，为理解当前大语言模型的发展路径提供了底层逻辑。
推荐理由：Reiner Pope 把训模型背后的数学摊开讲，听完能反推出大厂在做什么，做训练的人不可多得的一课。
AI推理市场正快速分化，各模态如文本、图像、视频和音频发展出独立推理技术栈。自ChatGPT发布后，NVIDIA数据中心收入三年内增长17倍，凸显市场爆发。分化根本原因在于工作负载差异：图像视频生成需高计算力，长上下文消耗更多内存，边缘设备则受功耗限制。市场按延迟分为实时、近实时和批量三层；按模态分为文本、图像视频音频；按部署分为云端和边缘。Hugging Face上已有超9万个图像生成模型，整个AI推理市场规模预计约1000亿美元，这种专业化趋势正为各细分领域创造领导者机会。
推荐理由：Tomer 把推理市场跟数据库市场做类比，碎片化的逻辑讲得很透，做 AI 基础设施的朋友能直接用来梳理自己的赛道，普通人知道这么回事就行。
Ant Ling@AntLingAGI精选AI 评分7171
🚀 今天，我们推出 Ling-2.6-1T，一款专为精确执行指令任务而设计的万亿参数旗舰模型。通过优先采用“快速思考”机制，它以超低 token 开销实现 SOTA 智能，让 token 效率成为一等公民。
推荐理由：蚂蚁把万亿参数模型开源了，但强调的不是大，而是省 token，这对成本敏感的生产环境是真正的性价比之选，做 agent 的可以上手测测。
Xiaomi MiMo@XiaomiMiMo精选AI 评分6060推荐理由：小米MiMo-V2.5-Pro冲到Arena开源第一，虽然排名更新晚了几天，但这是国产模型在硬核评测里最好的成绩，做选型的现在该认真看看小米。
Qwen@Alibaba_Qwen精选AI 评分6060推荐理由：2 倍加速的背后是 Warp 特化流水线和自动 Copy 策略，像给手机 GPU 开了条专用跑道，做端侧 Agent 的可以直接拉代码试试。
Qwen@Alibaba_Qwen精选AI 评分6666推荐理由：Qwen 把线性注意力的推理效率压到了新台阶，2-3 倍加速对想做本地 Agent 的开发者是实打实的，不是论文灌水，是能跑在设备上的代码。
研究团队提出LaDiR推理框架，将连续潜在表征的表达能力与潜在扩散模型的迭代优化能力相结合，以增强现有大语言模型的推理性能。该框架首先构建一个结构化的潜在推理空间，通过扩散过程对潜在状态进行迭代细化，使模型能够全局性地重新审视和修正推理路径中的早期内容。这种方法突破了传统自回归解码在整体优化和多样化解决方案探索方面的限制，提升了链式思维生成的质量与效率。
推荐理由：Apple 把扩散模型塞进 LLM 推理链，思路很野，用连续潜空间替代自回归 token 生成来解决「写到一半没法回头改」的老毛病。做推理优化或 diffusion 架构的值得细看，但离工程落地还远。
Greg Brockman@gdb精选AI 评分7272非常兴奋 GPT-5.5 今天正在向 GitHub Copilot、M365 Copilot、Copilot Studio 和 Foundry 推出。 凭借更深入的推理、更强的多步骤执行能力，以及在漫长复杂任务中更出色的表现，GPT-5.5 帮助你更快地从想法走向执行，用更少的迭代就能得到正确的结果。 这一切都是为了帮助你在整个工作流程中，为合适的任务选择正确的模型，或多个模型。
推荐理由：GPT-5.5 本身是代际级更新，但这条推文只是转发 Nadella 的官宣，没有新数据或新角度。真正值得关注的是它已经铺进 Copilot 全线，做编码和办公场景的人今天就能摸到。
DeepSeek-V4 预览版正式上线并开源，拥有 1M 超长上下文，Agent 能力、世界知识和推理性能均达国内与开源领先水平。模型分 V4-Pro 与 V4-Flash 两版，API 已同步更新，支持 OpenAI 与 Anthropic 接口，最大上下文均为 1M，并支持思考模式与 reasoning_effort 参数。
推荐理由：百万上下文成为标配，长文档处理与多步 Agent 任务从实验走向生产，原先受限于输入长度的应用有了新的落地空间。
OpenAI推出迄今最智能的GPT-5.5模型，其速度更快、能力更强，专为处理跨工具的复杂任务而构建。该模型在编程、学术研究与数据分析等领域表现出显著提升，能够高效整合多工具工作流，旨在应对更高阶的专业需求。
推荐理由：我觉得 GPT-5.5 第一次让大模型在“自主干活”上接近可用，不仅编码更强，还能帮科学家做研究，这是 Agent 从 Demo 到工具的关键一步。
腾讯发布并开源其混元系列迄今最智能的Hy3 preview语言模型。该模型采用快慢思考融合的混合专家架构，总参数达2950亿，最大支持256K上下文长度。作为基础设施重建后首个模型，其在复杂推理、指令遵循、代码等能力上实现大幅提升，已应用于元宝、QQ、腾讯文档等内部产品，并支持OpenClaw等开源智能体。腾讯云同步推出API服务，输入价格最低每百万tokens 1.2元，同时提供个人版Token Plan套餐，月费最低28元可获3500万tokens额度。
推荐理由：腾讯混元重建训练体系后的首个模型，295B总参但推理时只激活21B，性价比思路很实际，定价比同体量模型便宜一截，开发者值得试试。
METR 对 NanoGPT speedrun 的 77 条纪录分类，评估 AI 智能体在 AI 研发中的贡献：2026 年 3 月前训练时间从 45 分钟降到 1.43 分钟，31 倍加速，其中浅层与中层优化贡献约 21 倍。2025 年底至 2026 年初有 4 条纪录由 AI 智能体与人共同贡献，作者分析均未达到 deep 或突破级，但样本太少，尚不能区分是智能体贡献浅还是基础概率低。
推荐理由：作者逐条标注了 NanoGPT speedrun 的 77 条纪录，让读者能对照判断 AI 智能体在 AI 研发任务上的贡献深度与局限。
DR-Venus 是一个仅用1万条开放数据训练的40亿参数深度研究智能体，基于Qwen3-4B-Thinking-2507架构，支持200步工具调用和超20万tokens的上下文。它通过监督微调与强化学习两阶段训练，在BrowseComp、GAIA等多个深度研究基准上树立了小模型性能新标杆。其SFT版本已超越多数同类开源模型，而RL版本进一步将长程任务可靠性和工具使用校准度提升2-3个百分点。项目已全面开源模型、代码与训练流程。
推荐理由：4B 参数、仅用 1 万条公开数据就能在多个 deep research benchmark 上碾压 8B 对手，蚂蚁 inclusionAI 这次证明了小模型做 Agent 的关键不在参数量而在数据管线，做端侧 Agent 的团队值得拆一下它的 SFT+RL 流程。
OpenAI发布面向生命科学的专业推理模型GPT-Rosalind。该模型专门针对药物发现、基因组学分析、蛋白质推理及科学研究工作流设计，旨在加速生物医药研发进程。作为前沿推理模型，GPT-Rosalind将AI能力深度应用于生命科学场景，为科研人员提供从基因数据分析到药物筛选的智能支持，提升复杂生物信息处理效率。
推荐理由：OpenAI 第一个垂直领域推理模型，把前沿推理带进药物研发和基因组学，性能压过人类专家，生命科学工具链可能要从头搭起。
Claude Opus 4.7 全面上线，在高级软件工程任务上实现重大飞跃，93项编码基准测试解决率较 Opus 4.6 提升 13%，并首次解决四项前代无法完成的难题。新版本支持更高分辨率图像识别，在研究代理基准测试中总分达 0.715，长上下文性能表现最为稳定。模型定价维持每百万输入 token 5 美元、输出 25 美元不变。出于安全考量，其网络攻击能力较 Claude Mythos Preview 有所削弱，并配备自动拦截高风险网络安全请求的防护机制，合法安全研究人员可通过 Cyber Verification Program 申请使用权限。
推荐理由：Opus 4.7 不是最炫的模型，但多家真实用户反馈指出它在复杂工程任务上的可靠性提升是实打实的，尤其长链自主执行和指令遵循，对开发 Agent 的团队是一次直接的生产力升级。
Anthropic 发布 Claude Opus 4.7，定位为最强大的通用模型，擅长复杂推理与智能体编码，定价保持与 Opus 4.6 相同的 $5/$25 per MTok。
推荐理由：Opus 4.7 发布，定价不变但加入了 task budgets 和高分辨率支持，对于构建 coding agent 的团队，这次更新相当于给模型装了进度条和显微镜。
随着2026年AI代码代理的成熟，开源项目如transformers面临PR数量激增但质量下降的挑战。这些代理生成的代码常忽视项目的隐式设计契约，导致代码冗长、引入错误并增加维护者负担。为此，团队为mlx-lm开发了一个Skill工具，用于将模型从transformers高质量地移植到mlx-lm框架。该工具不仅生成接近人工提交的PR，还提供生成示例、数值对比和独立的测试工具链，以辅助贡献者和审查者。其目标是让模型在加入transformers后能快速在MLX上可用，同时维护代码的可读性与设计一致性。
推荐理由：这篇不是普通的工具介绍，而是在 agent 时代探讨开源贡献的尺度——用 Skill 加速模型移植的同时，仍强调人的判断和责任，做维护的人该读一读。
Stanford HAI 发布的 2026 年 AI 指数报告显示，AI 模型性能实现重大飞跃，中美技术差距显著缩小，但安全问题和公众信任危机同步加剧。报告指出，尽管 AI 能力快速提升，行业面临的安全隐忧日益严峻，公众对技术的信任度持续下滑。
推荐理由：Stanford 年度报告把 AI 的矛盾赤裸裸摆上台面，模型啃得动博士考题却看不懂钟，编程效率暴涨却让年轻开发者就业萎缩，信任度滑向谷底，这是行业必须正视的撕裂感。