推理能力 最新动态

Artificial Analysis@ArtificialAnlys· 13:46精选

OpenAI发布GPT-5.4 mini与nano轻量模型，保留多档推理能力与400K上下文窗口，价格降至$0.20/$1.25每百万token。基准测试显示，GPT-5.4 nano在τ²-Bench等多项测试中领先Claude Haiku 4.5与Gemini 3.1 Flash-Lite Preview，但幻觉率较高且token消耗量大。得益于极低单价，nano在Intelligence Index测试中的有效成本反而低于竞品，展现出优秀的性价比优势。

ARC Prize 发布交互式基准 ARC-AGI-3，ARC Prize 2026 设超 200 万美元奖金

ARC Prize 官方发布 ARC-AGI-3，包含数百个由人类游戏设计师手工制作的回合制交互环境，无指令、无规则、无既定目标，要求智能体自行探索并跨关卡迁移所学。人类得分 100%，前沿 AI 得分 0.51%。ARC Prize 2026 同步开启，奖金超 200 万美元，设 ARC-AGI-3 竞赛与 ARC-AGI-2 大奖两个开源竞赛，并发布技术论文。

有损自我改进

自我改进机制虽客观存在，但受限于"有损"特性，难以推动AI能力的递归式爆发。该论述指出，大语言模型等系统的自我优化过程伴随信息损耗与能力瓶颈，这种非完美的迭代模式打破了"快速起飞"（fast takeoff）的技术假设。与理想化的指数级自我增强不同，实际发展将呈现渐进、受限的增长轨迹，AI安全研究需重新评估递归自我改进的风险阈值。

Artificial Analysis@ArtificialAnlys· 19:48精选

Mistral发布开源权重模型Mistral Small 4，采用119B参数MoE架构（每token激活6.5B参数），支持可切换的推理/非推理模式及图像输入。推理模式在Artificial Analysis Intelligence Index获27分，超越Mistral Large 3，但低于gpt-oss-120B等竞品。模型token效率优于同类，幻觉率更低（AA-Omniscience -30分），支持256K上下文窗口，采用Apache 2.0许可证。

Sam Altman@sama· 05:41精选

GPT-5.4 API 上线首周日处理量达 5T tokens，流量超过去年同期整个 API 总量，年化新增净收入突破 10 亿美元，增速创 OpenAI 模型发布历史纪录。

Sam Altman 承认：实现 AGI 需要超越规模扩展的重大突破

OpenAI CEO Sam Altman 坦言，仅靠扩大模型规模无法达到 AGI，必须在架构层面实现重大创新。这一表态标志着 AI 发展范式的关键转向，承认当前"越大越好"的扩展策略已遇瓶颈。Altman 强调"是时候寻找新的架构了"，暗示基于 Transformer 的现有技术路径难以通向通用人工智能，行业需要颠覆性技术突破而非单纯堆砌算力与参数。

Mistral 发布 Small 4，统一推理、多模态与编码能力并以 Apache 2.0 开源

Mistral 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一进一个模型，以 Apache 2.0 许可开源。

Noam Brown@polynoamial· 00:17精选

当今前沿推理模型的训练路径与 AlphaGo 高度一致：先模仿大量人类数据，再扩展推理计算（从蒙特卡洛树搜索到思维链），最后用强化学习突破模仿上限。Demis Hassabis 称，十年前 AlphaGo 的"第37步"预示 AI 可攻克真实科学难题，这些思路对构建 AGI 仍至关重要。

Demis Hassabis@demishassabis· 23:13精选

十年前的 AlphaGo 首尔对局开启现代 AI 时代，标志性的"第37手"证明 AI 已能攻克科学等现实难题，其技术理念仍是构建 AGI 的核心基础。

保持令牌流动：16个开源强化学习库的教训

同步强化学习训练中，数据生成是主要瓶颈，如在320亿参数模型上生成3.2万令牌样本需数小时，导致训练GPU闲置。业界主流解决方案是将推理与训练解耦到不同GPU池，通过rollout缓冲区连接并异步传输权重。本文调研了16个实现此模式的开源库，从编排原语、缓冲区设计、权重同步协议、陈旧数据处理、部分rollout支持、LoRA支持及分布式训练后端七个维度比较。关键发现：Ray在编排层占主导（8/16库使用），NCCL广播是默认权重传输方式，LoRA训练支持普遍不足，而分布式MoE支持正成为新差异化特性。

OpenAI@OpenAI· 04:07精选

OpenAI 推出 CoT 可控性评估套件及研究论文。测试发现 GPT-5.4 Thinking 难以掩盖其推理过程，表明 CoT 监控仍是一种有效的安全工具。

OpenAI@OpenAI· 02:10精选

GPT-5.4 Thinking 和 GPT-5.4 Pro 开始向 ChatGPT 用户推出，同时通过 API 和 Codex 开放。该版本将推理、编程与智能体工作流能力整合为单一前沿模型。

Sarvam AI 开源发布 Sarvam 30B 和 Sarvam 105B 推理模型

Sarvam AI 以 Apache 2.0 协议开源 Sarvam 30B 和 Sarvam 105B 两款从零训练的推理模型，采用 MoE 架构，训练全部在 IndiaAI mission 提供的算力上于印度完成。

推理模型难以控制其思维链，而这反而是好事

OpenAI 发布 CoT-Control 研究，发现推理模型难以操控自身思维链。这种「不可控」特性反而增强了 AI 的可监控性，成为安全对齐的重要保障。

GPT-5.4 Thinking 系统卡

OpenAI 发布 GPT-5.4 Thinking 系统卡，披露新一代推理模型的架构细节、安全评估框架及能力边界。文档详述思维链优化机制、长上下文推理性能指标，明确数学推导与代码生成准确率数据，分析幻觉风险与偏见控制措施，并列出越狱攻击防护策略及企业级部署的安全限制建议。

OpenAI@OpenAI· 03:03精选

官方暗示5.4版本发布时间将早于外界普遍预期，新版本即将到来。具体发布日期及新增功能细节有待后续正式公布，玩家可关注官方渠道获取最新动态。

Cognition 发布 SWE-1.6 早期预览并分享 RL 训练研究进展

Cognition 发布 SWE-1.6 早期预览，当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%，达到 51.7%，速度同为 950 tok/s，并向小部分用户开放早期访问。

拒绝“AI 味”：我们用 6 个文学维度，重新审视了模型的创意写作边界

本文通过叙事工艺、语言艺术等六个文学维度，评估百灵模型Ling-2.5-1T的创意写作能力。测试显示，该模型能驾驭莎士比亚十四行诗、七言绝句等多种体裁，并通过感官描写实现“展现而非告知”的文学技法，在微观叙事和语言质感上接近人类水平。然而，模型仍存在依赖高频文学意象、处理否定指令时语义代偿等局限。该框架为创作者提供了激发AI写作潜力的具体方法。

Ling 2.5 Lightning Attention+MLA 混合线性架构改造实践

为提升超长上下文下的计算效率，Ling 2.5架构将Ling 2.0的GQA改造为1:7的Lightning Attention与MLA混合线性注意力。此举旨在利用Lightning Attention提升长序列吞吐，并通过MLA极致压缩KV Cache。为确保改造后性能无损，团队设计了精细的平滑迁移训练策略，包括权重转换、QK Norm融合与Partial RoPE改造等多阶段加训。Scaling Law实验确定了1:7为最优混合比例，最终使万亿参数模型实现了更低的计算成本与更高的长文本推理效率。

Inception Labs 发布扩散推理模型 Mercury 2

Inception Labs 发布 Mercury 2，称其为最快的推理语言模型，基于扩散并行细化而非自回归逐 token 解码，生成速度较此前提升超 5 倍。