Cohere 发布 Command A Reasoning 企业级推理模型
Cohere 发布 Command A Reasoning，定位企业级推理任务，称在 BFCL-v3（70.3）、tau-bench、m-tau-bench 上优于 gpt-oss-120b、DeepSeek-R1 0528 和 Mistral Magistral Medium。
推荐理由：官方发布企业推理模型，给出可私有部署的硬件门槛和可控 token 预算，适合关注本地化部署与成本控制的团队参考。
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。
571 条精选近 30 天 41 条共收录 2,916 条
更新
精选归档 · 第 25 页
Cohere 产品与研究博客精选AI 评分6161 DeepSeek：API 更新日志精选AI 评分7171 DeepSeek-V3.1 发布，升级 chat 与 reasoner 双模式
DeepSeek-V3.1 正式发布，deepseek-chat 与 deepseek-reasoner 分别对应其非思考与思考模式。新模型采用混合推理架构，思考效率较 DeepSeek-R1-0528 更高，并通过 Post-Training 优化提升工具使用与智能体任务表现。
推荐理由：DeepSeek 把推理和非思考模式合并到一个模型，解决了之前切模型的体验割裂，Agent 能力提升对做工具调用的开发者是直接利好。
ARC Prize：官方博客精选AI 评分6161 ARC Prize 发布 ARC-AGI-3 Preview 30天测试总结与Agent竞赛结果
ARC Prize Foundation 总结 ARC-AGI-3 Preview 发布30天的数据：超1200人玩了3900多局游戏，人类大多能通关，AI Agent 进展低效。竞赛冠军 StochasticGoose 得分12.58%、完成18关，前三名Agent均基于智能随机探索；官方指出部分游戏可被暴力搜索破解，未来将按动作效率对人类基线评分并增加撤销按钮、离线引擎等改进。
推荐理由：原文公布了30天竞赛的完整人类与Agent得分对比，读者可以看到交互式推理基准用动作效率区分人类和AI的具体依据。
Anthropic：Transformer Circuits精选AI 评分7373 角色如何改变AI的回答？——Anthropic可解释性团队2025年8月电路分析案例
Anthropic可解释性团队在2025年8月的研究更新中，通过一个电路分析案例展示了模型“角色扮演”如何影响其回答。研究使用Claude Haiku 3.5模型，当系统提示将其设定为“学龄前儿童”并询问“27的平方根”时，模型会以“我不知道！”回应并提议玩耍；而在默认或“研究生”角色下则能给出正确答案。团队通过归因图识别出一个关键子电路：模型能将“学龄前学生”关联到“扮演儿童”，从而激活“我不知道”特征。研究还发现，问题难度会调节此效应，并且通过特征干预能显著改变模型行为。这引发了对其他角色运作机制及预训练角色与模型表达能力关系的后续思考。
推荐理由：揭示模型角色扮演的内部机制，为可解释性研究提供新视角。
ARC Prize：官方博客精选AI 评分6464 ARC Prize 剖析 HRM 在 ARC-AGI 上取得好成绩的真正原因
ARC Prize 在 ARC-AGI Semi-Private 隐藏集上验证了 Hierarchical Reasoning Model（HRM，27M 参数），ARC-AGI-1 得分 32%，ARC-AGI-2 仅 2%。
推荐理由：原文用消融实验拆解了 HRM 在 ARC-AGI 上的真实性能来源，指出贡献主要来自外循环精炼而非分层架构。
Baichuan AI@BaichuanAI精选AI 评分7171推荐理由：百川 M2 是首个明确主打医疗推理的 32B 模型，在 HealthBench 上压过 GPT-OSS，做医疗 AI 应用的可以直接上 HuggingFace 拉下来跑，垂类专精可能比通用巨兽更接地气。
Ethan Mollick：One Useful Thing精选 GPT-5：只管做事
GPT-5 不再需要详细提示工程，只需给出目标即可自主完成任务。将 AI 置于主导地位，用户只需设定方向，具体执行由模型自行处理。
推荐理由：Ethan Mollick 深度解读 GPT-5 自主执行能力，洞察 AI 代理新范式
METR：Research精选AI 评分6464 METR 研究认为尽管存在不忠实，思维链仍可作为监控模型行为的信息来源
METR 复现 Anthropic 的 Claude Sonnet 3.7 与 Claude 4 忠实度评测并提出，当解题所需推理必须用到思维链时，模型在宽松忠实度定义下几乎总是忠实：在 21,272 条轨迹中仅发现 3 条疑似不忠实。
推荐理由：原文提出宽松忠实度视角并用检测实验支撑，为理解 CoT 监控在什么条件下可靠提供了可检验框架。
OpenRouter：Announcements精选AI 评分6868 GPT-5 已在 OpenRouter 上线
GPT-5 现已登陆 OpenRouter 平台，具备长上下文能力，专为复杂推理和代码工作流设计。
推荐理由：GPT-5 是 AI 史上的分水岭，长上下文和推理能力直接催生了一整代 agent 工具，哪怕过了快一年回头看，仍然值得搞清楚它改变了什么。
OpenRouter：Announcements精选AI 评分6868 GPT-5 现已上线
OpenRouter 平台已发布 GPT-5，该模型支持长上下文，专为复杂推理与代码工作流构建。
推荐理由：这是 GPT-5 首次以大上下文和推理能力亮相，1M token 上下文让 code agent 直接从 demo 变成可用，现在看虽是旧闻，但节点意义不减。
OpenRouter：Announcements精选AI 评分6666 GPT-5 现已上线
GPT-5 已在 OpenRouter 平台正式推出。该模型具备长上下文处理能力，专门针对复杂推理任务与代码工作流进行了优化。此次发布标志着新一代大语言模型开始接入开放路由网络，为开发者与用户提供更强大的多步骤逻辑处理和编程辅助功能。
推荐理由：OpenRouter 上架 GPT-5 本身不算新闻，但对用 OpenRouter 做多模型路由的开发者来说，这是终于能切到最新旗舰的信号，值得第一时间跑一遍自己的 benchmark。
Hao AI Lab@haoailab精选AI 评分8181推荐理由：OpenAI 终于开源了，这是 GPT-2 之后第一次放开权重，120B 和 20B 两个尺寸直接对标 Llama 和 Qwen 的开源生态。虽然游戏 benchmark 排名不算惊艳，但信号本身比分数重要得多，所有基于开源模型做产品的团队都得重新评估选型。
Jim Fan@DrJimFan精选引用Qwen@Alibaba_Qwen🚀 推出 Qwen3-4B-Instruct-2507 与 Qwen3-4B-Thinking-2507 — 更智能、更敏锐，支持 256K！ 🔹 Instruct：增强通用技能、多语言覆盖和长上下文指令遵循。 🔹 Thinking：在逻辑、数学、科学和代码方面具备高级推理能力——专为专家级任务打造。 两个模型都更加对齐、更强大、更具上下文感知能力。 Huggingface： https://huggingface.co/Qwen/Qwen3-4B-Instruct-2507 https://huggingface.co/Qwen/Qwen3-4B-Thinking-2507 ModelScope： https://modelscope.cn/models/Qwen/Qwen3-4B-Instruct-2507 https://modelscope.cn/models/Qwen/Qwen3-4B-Thinking-2507
推荐理由：Jim Fan 借 Qwen3-4B 提出「推理核心假设」，探讨极小模型作为 LLM OS 内核的边界
OpenAI：官网动态精选AI 评分8585 OpenAI 发布开源权重推理模型 gpt-oss-120b 与 gpt-oss-20b
OpenAI 发布 gpt-oss-120b 和 gpt-oss-20b 两个开源权重推理模型，采用 Apache 2.0 许可证，并遵循其 gpt-oss 使用政策。
LMSYS Blog精选 智谱发布 GLM-4.5 系列模型并原生支持 SGLang
智谱发布旗舰模型 GLM-4.5（355B/32B 激活）与 GLM-4.5-Air（106B/12B 激活），含 FP8 量化版本，即日起原生支持 SGLang 框架。采用 MoE 架构与 128k 上下文，在 12 项基准测试中分列第 3 与第 6。GLM-4.5 在 BrowseComp 网页浏览任务中以 26.4% 准确率超越 Claude 4 Opus，工具调用成功率达 90.6%，编程与数学推理能力突出。
推荐理由：国产大模型Agent与编码能力跻身第一梯队，为开发者提供Claude/GPT之外的高性价比替代方案
上海人工智能实验室 InternLM：原创项目精选AI 评分6767 上海AI实验室开源 Intern-S2-Preview-397B 与 Intern-S2-Preview-35B 科学多模态模型
上海人工智能实验室 InternLM 团队发布 Intern-S2-Preview-397B，定位面向科学智能与长程智能体的最强多模态基础模型，通过新的视觉语言预训练范式、20 多个领域的大规模多任务强化学习以及沙盒环境中的智能体强化学习提升通用推理与科学能力。
推荐理由：官方仓库同时给出 Intern-S2 两档新模型与 S1 系列的架构细节和基准对比，便于读者评估科学场景下的开源选型。
Noam Brown@polynoamial精选引用Dave White@_Dave__White_OpenAI 的 IMO 消息这个周末对我打击挺重的 我想我还处在冲击的急性期 我自认为是一名职业数学家（一些真正的职业数学家可能会对这个说法有异议，但这是我的地盘我做主），而我觉得自己连一道 IMO 题都答不上来 好吧，是的，IMO 是数学里一个有点像竞技体育的细分领域，我并没有为此训练过，等等等等，但是。如果我在现实中遇到一个拥有 IMO 金牌的人，我会立刻更新为“这个人在数学上比我强得多” 现在一堆机器人能做到这件事了。作为一个把大量身份认同和实际生活都建立在“擅长数学”之上的人，这是一记重击。这是一种死亡。 就像，有一天你发现自己能和狗说话。这很有趣也很新奇，于是你做得更多，学习它们语言的精妙之处和它们最深层的习俗。你了解到别人对你的能力感到惊讶。你一直都不太合群，但你发现人们欣赏你的能力，想要你在身边帮忙。狗也欣赏你，你是唯一真正懂它们的双足动物。你为自己拼凑出一种归属感。然后有一天你醒来，万能狗语翻译器在沃尔玛只卖 4.99 美元 IMO 这个结果严格来说不算新闻。事实上，如果你看看 METR 的智能体任务时长随时间变化的图，我认为智能体能解决约 1.5 小时的问题正是如期而至。所以某种意义上我们不该感到惊讶。而且确实，似乎多家公司都取得了同样的结果。只是……潮水上涨的速度和它一直以来的上涨速度一样快 当然，为我作为数学家的个人身份（和/或作为社会中有生产力的一员）而悲伤，是这个故事里最小的部分 把这份悲伤乘以*每一位*数学家，乘以每一位程序员，也许每一位知识工作者，每一位艺术家……在未来几年里……这就是一个稍微大一点的故事了 当然，除此之外，还有对真正死亡的恐惧，这个也许我以后会再详细谈。 这一整套东西——对相关性的悲伤、对生命的悲伤、对我所熟知之物的悲伤——并不是 AI 时代独有的之类的东西。我认为这是当一个人接近职业生涯终点或生命终点时的一种常态。只是可能对许多人来说，它来得稍微早了一点，而且一下子全来了。 我想知道我们准备好了没有
推荐理由：Noam Brown 引用数学家反思：AI 攻克 IMO 带来知识工作者的身份危机
Anthropic：Alignment Science Blog精选AI 评分6868 Anthropic 等机构研究揭示大型推理模型的测试时计算反向扩展现象
Anthropic Fellows Program 等机构构建评测任务，发现延长推理长度反而降低大型推理模型准确率，呈现测试时计算的反向扩展，并归纳出五种失败模式。
推荐理由：研究给出五类测试时计算反向扩展的失败模式，并附带安全含义，可帮助读者理解长推理并非总是增益。
- Jim Fan@DrJimFan精选
AGI 的门槛不是赢得诺贝尔奖，而是能去任何人家中烹饪任意菜系。物理图灵测试远比学术理论困难，Moravec 悖论将在未来十年持续困扰 AI 发展。
引用Thomas Wolf@Thom_Wolf我对 AGI 的标准是：一个 AI 凭借它自己提出的新理论赢得诺贝尔奖。
推荐理由：Jim Fan 提出 AGI 的物理图灵测试标准：能烹饪任意晚餐比获诺奖更难
Anthropic：Transformer Circuits精选AI 评分8383 2025年7月电路更新：特征语言重构数学框架与生物AI可解释性应用
Anthropic可解释性团队分享了2025年7月的研究进展。第一部分用“特征”语言重构Transformer数学框架，将注意力头的OV和QK电路描述为特征及其变换（如检测属性X、前一标记X、触发输出X的特征），并解释了先前用特征值分析复制头和归纳头行为的合理性。第二部分概述了稀疏自编码器在生物AI系统（如蛋白质语言模型ESM-2）可解释性中的应用进展，强调此类研究对确保药物发现等应用的安全与有效性至关重要。
推荐理由：可解释性研究新进展，帮助理解 AI 内部机制，提升模型透明度和安全性。