推理模型相关 AI 资讯 · AITOP

AITOPAI热报

7月24日

11:24

量子位@一水

78°

新晋菲尔兹奖得主于获奖当天宣布加入OpenAI。他的学生团队利用OpenAI的数学推理模型Fable 5，成功推翻了一个持续87年的数学难题。这是首次有菲尔兹奖得主直接加入AI企业，标志着AI在纯数学研究中的应用取得里程碑式进展。

行业 OpenAI Fable 5 菲尔兹奖

事件专题

推荐理由：菲尔兹奖得主当天入职OpenAI，学生用Fable 5秒杀87年未决难题，数学和AI两界都得看

原文

10:19

官方账号arXiv cs.AI@Shuqi Lu, Chaofan Li, Kun Luo, Zhang Zhang, Hui Wang, Hongwang Xiao, Zheng Liu, Lei Xiong, Jiahao Wang, Sen Wang, Xiyan Jiang, Wanli Li, Yuyang Hu, Hongjin Qian, Bingyu Yan, Ziyi Xia, Yingxia Shao, Kang Liu, Zhicheng Dou, Di He, Chaozhuo Li, Qiwei Ye, Zhongyuan Wang, Zheng Liu

72°

AREX是一种递归自我改进(RSI)的深度研究代理，设计用于解决需要满足多重约束的复杂检索任务。AREX通过内循环收集证据构建临时答案，外循环逐约束审计答案并启动针对性的后续研究。其核心创新是学习一个自主上下文更新工具，将交互历史压缩为紧凑的改进状态，无需外部模型。AREX在4B密集模型和122B-A10B混合专家模型上实例化，在BrowseComp、WideSearch、DeepSearchQA、HLE等基准上显著优于可比规模基线，与使用更多激活参数的模型竞争。

论文 AREX Recursively Self-Improving 深度研究代理

推荐理由：AREX这篇论文让AI自己递归改进答案，在多个搜索和推理基准上超越了同体量模型，想了解自我优化怎么做可以看看。

原文

09:24

官方一手arXiv: DeepSeek@Renuka Oladri, Niveda Jawahar, Abdirisak Mohamed

DeepSeek-R1-Distill-Qwen-7B等思维链模型在推理时呈现双峰收敛模式：在令牌预算内结束（收敛）或耗尽预算无结论（非收敛）。实验显示，收敛的推理在AIME 1983-2024上准确率达90.3%，非收敛仅6.6%，总体收敛率62.0%。通过训练线性探针在隐藏状态激活（token 50-300）上，层20在token 150处达到AUC 0.608（±0.080，五折交叉验证）。激活探针优于基于令牌熵和重复统计的行为基线。扫描级置换检验p=0.063（100,000次置换），表明样本量不足以在常规阈值下确认信号，但收敛命运在生成结束前部分编码于中间表征。

论文 DeepSeek-R1-Distill-Qwen-7B 推理模型早期检测

推荐理由：这篇论文发现DeepSeek-R1推理非收敛在早期就能从内部表征检测到，未来可做自适应计算分配，研究推理效率的朋友可以看看。

原文

09:21

官方一手arXiv: DeepSeek@Qunhui Zhang

论文提出VirtualSet，一种接收者类型化的本体世界接口，替代SQL作为LLM的生成目标。在BIRD基准测试的1072题子集上，VirtualSet配合deepseek-reasoner达到67.5%准确率，比带修复和投票的SQL高4.0个百分点（p=0.00117）。系统通过通用约束投影（GCP）在表达式执行前检查，并利用集合链保留具体接收者类型将无效字段转为类型错误。在30个受控决策用例中，写入链拦截了20/20的幻觉动作体且无假阳性。

论文 VirtualSet BIRD deepseek-reasoner

推荐理由：用VirtualSet替代SQL，让LLM查询出错时提前报类型错误而不是给假结果，BIRD上还比SQL高4个点，很适合做安全决策。

原文

06:09

OpenRouter@OpenRouterAI

Ling-3.0-flash是一款124B参数的MoE模型，每token仅激活约5.1B参数，由Novita Labs提供。该模型已在OpenRouter平台上线，主打token高效的agentic推理。即日起至8月3日可免费使用。

AI模型 Ling-3.0-flash Novita Labs OpenRouter

推荐理由：想省token跑agentic任务？试试Ling-3.0-flash，124B参数只激活5B，OpenRouter上免费到8月3日。

原文

05:38

官方账号Together AI@togethercompute

Kimi K3 模型将于7月27日通过 Together AI 平台上线，用户可在发布当天立即使用其推理服务。该服务支持编程、智能体以及生产负载等场景。Together AI 提供高性能推理基础设施，使开发者能第一时间体验 Kimi K3。

AI模型 Kimi K3 Together AI 推理模型

事件专题

推荐理由：Kimi K3 马上就能在 Together AI 上用了，7月27日当天就能跑编程和智能体任务，想抢先体验的快去试试。

原文

02:33

02:33IT之家（博客/媒体）

82°

AMD 在 Advancing AI 2026 上公布了下一代 AI 加速器 Instinct MI455X，采用台积电 2nm GAA 工艺，集成 3200 亿个晶体管。该芯片配备 432GB HBM4 内存，带宽达 23.3 TB/s，远超英伟达 Rubin 的 288GB HBM4 与 22 TB/s。MI455X 的 OCP MXFP4 理论峰值性能达 40.26 PFLOPS，是前代 MI355X 的 4 倍。Helios 机架架构将 72 个 MI455X 的显存整合为统一相干域，总容量 31.1TB，比英伟达 NVL72 的 20.7TB 高出 50%。

AI模型 AMD MI455X HBM4

推荐理由：AMD 亮出真家伙：MI455X 堆了 432GB HBM4 和 3200 亿晶体管，FP4 算力比上代快 4 倍，72 卡显存比英伟达 Rubin 多一半，直接对标 NVL72。

原文

01:13

官方账号NVIDIA AI@NVIDIAAI

72°

NVIDIA AI展示使用PrimeIntellect托管RL训练，将Nemotron 3 Nano在数学任务上的准确率从22%提升至91%，总成本低于5美元。工作流程包括基线检查、奖励训练和重新测试，最终输出可下载的LoRA适配器。该方案可通过修改一行代码扩展至Nemotron 3 Super和Ultra。

AI模型 Nemotron 3 Nano PrimeIntellect RL

事件专题

推荐理由：花5美元用托管RL把Nemotron 3 Nano的数学准确率从22%拉到91%，还能一键扩展到更大模型，太实用了！

原文

7月23日

22:37

官方账号LMSYS Org (SGLang)@lmsysorg

81°

Poolside发布Laguna S 2.1模型，总参数量118B，采用稀疏MoE架构，每token仅激活8B参数。模型支持1M上下文窗口，提供思考与非思考两种模式。在Terminal-Bench 2.1上获得70.2%准确率，在SWE-bench Multilingual上达78.5%。官方NVFP4量化版本可运行于单个NVIDIA DGX Spark。模型已在SGLang框架上提供Day-0支持。

AI模型 Laguna S 2.1 Poolside SGLang

事件专题

推荐理由：Poolside的Laguna S 2.1是个118B参数的稀疏MoE模型，只激活8B参数，SWE-bench多语言拿下78.5%，还能跑在单个DGX Spark上，适合长时编程任务。

原文

18:29

Ate-a-Pi@svpino

Apodex Frontier Program 每月为初创公司和机构提供10万美元计算积分，参与者可访问 Apodex Deep Discover 求解器。该求解器基于 Apodex 1.0-H 模型，模型像智能体团队工作：编排器分解任务并派生多达150个专用子代理，每个子代理异步执行独立上下文和工具。模型通过生成→验证→修改过程改进推理，验证由独立代理团队（冲突审核、事实检查、起草审核）完成，不依赖答案键。在单次任务中，模型能协调150个子代理执行超过15000步。

AI模型 Apodex Apodex 1.0-H Deep Discover

推荐理由：Apodex 1.0-H 让智能体团队协作处理复杂任务，还用独立验证提升准确率。每月10万算力补贴，研究机构别错过。

原文

17:46

17:46IT之家（博客/媒体）

85°

阿里云宣布灵骏真武 M890 超节点实例成功适配 Qwen3.8，该模型参数规模达 2.4 万亿，是国内首个运行超 2 万亿参数大模型的超节点。真武 M890 通过 ICN Switch 1.0 实现 64 张芯片 800GB/s 互联，显存达 9TB，支撑 MoE 模型专家并行。实测显示 Optimizer 优化后 Agentic 推理性能提升 1.5 倍。

AI模型阿里云 Qwen3.8 灵骏真武M890

推荐理由：阿里云用真武 M890 跑通了 2.4 万亿参数的 Qwen3.8，显存 9TB，推理性能还提升了 1.5 倍，国内头一个做到的。

原文

16:46

16:46IT之家（博客/媒体）

76°

皮查伊在财报电话会上回应投资者对Gemini模型延期的担忧。原定6月发布的Gemini 3.5 Pro仍未推出，而竞争对手OpenAI、Anthropic加速发布。皮查伊强调Gemini Flash系列的重要性，本周发布的Gemini 3.6 Flash在一项AI编程基准测试中成绩提升10分以上，且Token更少。他透露下一代Gemini 4将近乎按月迭代，并计划发布更大规模模型以重回前沿。Alphabet同时将资本支出提高150亿美元至1950-2050亿美元。

行业 Gemini 谷歌编程助手

事件专题

推荐理由：皮查伊正面回应谷歌AI是不是掉队了，说Gemini 4马上按月更新，还发布了编程更强、更便宜的Gemini 3.6 Flash。

原文

11:32

官方账号arXiv cs.AI@Anmol Kankariya, Sercan Ö. Arık

PoTRE将推理过程解耦为四个代理：对抗细化代理、分层策略规划代理、频谱搜索代理和直接链代理，并通过任务自适应聚合层融合。在ARC-AGI-2、HLE和PRBench Finance三个基准上评估，PoTRE在HLE上达到49.92%的准确率，超越此前官方最佳成绩。该框架使用相似或更少的推理token实现了优于同质基线的推理性能。

AI模型 PoTRE 多智能体推理推理模型

推荐理由：这篇论文提出了PoTRE，用四个不同角色的智能体协作推理，在HLE上拿了新SOTA，而且比单纯堆参数的模型更省计算量。

原文

11:20

官方账号Simon Willison@simonw

精选

Simon Willison认为循环（loops）是针对无法可靠完成长任务的模型的短期补丁。他指出现有模型如Fable、GPT-5.6以及可能的Kimi K3已经能直接处理长问题直到目标达成，无需循环辅助。这暗示未来模型将原生支持长程推理，循环机制可能逐渐被淘汰。

AI模型 Fable GPT-5.6 Kimi K3

事件专题

推荐理由：Simon说循环就像拐杖，新模型Fable和GPT-5.6已经能自己走完长任务，不用循环了。

原文

07:32

Ethan Mollick@emollick

一篇论文测试了AI模型在解决多个领域的复杂商业问题上的能力，使用商学院MBA教学中的案例作为基准。结果显示AI在当前版本下已能出色完成这些任务，覆盖不同商业学科。研究还发现，随着模型迭代，AI的表现随时间显著提升。该论文为评估AI在商业决策中的应用提供了实证数据。

论文论文 MBA案例商业问题

推荐理由：这篇论文很有意思，他们用商学院MBA的案例考AI，结果AI答得很好，而且进步飞快，值得看看具体数据。

原文

07:01

官方账号Together AI@togethercompute

精选

使用DeepSWE基准对比了Kimi K3 Max和GPT 5.6 Sol Max在软件工程任务上的表现。Kimi K3 Max达到了与GPT 5.6 Sol Max相当的性能，而价格仅为后者的约55%。将两个模型联合使用时，性能可额外提升约16%。

AI模型 Kimi K3 Max GPT 5.6 Sol Max DeepSWE

事件专题

推荐理由：Kimi K3 Max性价比炸裂，软件工程能力不输GPT 5.6 Sol Max，混合使用还能再提分，值得关注。

原文

04:02

官方账号NVIDIA AI@NVIDIAAI

精选74°

在Kaggle的NVIDIA Nemotron模型推理挑战赛中，该团队获得第一名。核心方法是训练模型记忆最小问题模式及其候选解，推理时进行搜索和验证。详细报告已公开在doi.org/10.34740/kaggle…。

AI模型 NVIDIA Nemotron Kaggle

事件专题

推荐理由：这个Kaggle第一名的方法很简单有效：让模型记住问题模式再搜索匹配，值得研究。有开源报告。

原文

7月22日

18:01

官方账号Logan Kilpatrick@OfficialLoganK

精选

Anthropic 发布了 3.6 Flash 模型，专门针对真实世界任务的智能体（agentic）用例进行优化。该模型在 AA（Anthropic 的 Agentic Assessment）覆盖的推理基准上分数没有变化，因为团队并未优先优化那些基准。主要改进方向是提升在复杂多步任务中的实际表现。

AI模型 3.6 Flash Anthropic 智能体

事件专题

推荐理由：Anthropic 给 3.6 Flash 做了针对性更新，专攻真实世界的智能体任务，不是刷推理榜单。看它实际干活行不行。

原文

17:19

小互@imxiaohu

76°

小红书大模型dots-note-3.0在第67届国际数学奥林匹克竞赛（IMO）中以42分满分获得金牌认证，超过金牌线13分。这是中国首个在IMO斩获金牌的大模型，也是全球首个在IMO官方评卷中获满分的大模型。此前Gemini Deep Think在2025年IMO取得35分（完成6题中的5题）。dots-note-3.0基于Agentic推理系统和加强归纳法独立完成全部证明，两位IMO金牌得主评价其解法“很有新意，也很优雅”。该模型即将对外开源。

AI模型 dots-note-3.0 小红书 IMO

事件专题

推荐理由：小红书dots-note-3.0在IMO拿满分，比Gemini还强，解法有创新，还准备开源，赶紧看看！

原文

15:27

15:27IT之家（博客/媒体）

75°

华为小艺在IMO 2026中以满分42分摘得金牌，覆盖代数、几何、数论与组合数学领域。华为表示这标志着小艺Agent系统在复杂问题建模、长程推理、工具协同与严格验证上取得突破。小艺已接入开源盘古openPangu 2.0 Pro模型，该模型亲和昇腾算力，单卡吞吐率达其他主流开源模型的2倍。

AI模型华为小艺 IMO 2026 openPangu 2.0 Pro

推荐理由：华为小艺AI在IMO数学竞赛拿了满分金牌，能解代数几何数论难题，还接入的openPangu模型速度是别家的两倍。

原文

14:05

官方一手歸藏(guizang.ai)@op7418

小红书团队开发的dots-note-3.0在2026年国际数学奥林匹克竞赛（IMO）中以42分满分夺得金牌，超过金牌线13分。这是首个获得IMO官方评卷满分的模型。该模型是dots 3系列中最轻量的内部版本，计划近期开源。在同一周，Anthropic数学家使用Claude模型证明了雅可比猜想的一个反例，表明大模型在数学发现中日益重要。

AI模型 dots-note-3.0 dots 小红书

事件专题

推荐理由：dots-note-3.0在IMO拿到满分，之前从没有模型做到过，而且它是最轻量的版本，马上开源，想看看AI如何解数学证明题的可以关注。

原文

14:04

官方一手歸藏(guizang.ai)@op7418

78°

谷歌上线Gemini 3.6 Flash模型，相比3.5 Flash在编码、推理和工具调用上有所提升，在DeepSWE基准上输出token减少高达65%。同时推出速度更快的3.5 Flash-Light模型。谷歌宣布已开始训练Gemini 4，称规模为史上最大，目标对标GPT-5.6和Fable 5。目前模型迭代速度落后于一月一版的竞品。

AI模型 Gemini 3.6 Flash Google Gemini 3.5 Flash

事件专题

推荐理由：谷歌出了Gemini 3.6 Flash，日常模型更强了，编码和推理升级，还省了最多65%的token。另外还有个更快的3.5 Flash-Light，Gemini 4也在训练了，可以关注。

原文

13:00

官方账号arXiv cs.AI@Lizhe Fang, Weizhou Shen, Tianyi Tang, Yisen Wang

研究指出长上下文LLM存在重复复制问题，即模型将输入文本大量复制到推理轨迹中。通过将提示划分为关键证据和干扰上下文，发现根本原因是模型未充分关注关键证据。提出GEAR（Grounding Evidence-Aware Reward）奖励塑造方法，包含关键证据重叠奖励和干扰惩罚。在多个模型规模和基准测试中，GEAR相比基于准确率的强化学习平均提升最高+4.6点，且在更长上下文中效果更大。结果表明准确接地于相关证据是长上下文推理中不可或缺的能力。

论文 GEAR 证据感知强化学习

推荐理由：这篇论文发现了LLM长上下文推理时爱复制原文的毛病，用GEAR奖励方法逼模型关注关键证据，效果立竿见影，适合做RL调优的参考。

原文

12:58

Aravind Srinivas@AravSrinivas

精选

Perplexity CEO Arav Srinivas宣布，Perplexity Computer中新的协调模型基于GLM 5.2调整，性能接近前沿，但成本仅为Opus的0.344倍。该模型已成为该平台使用量第二大的协调模型，仅次于Opus 4.8。公司计划在获取更多算力后，通过积分提高使用上限，并推出后续训练更新版本。

AI模型 GLM 5.2 Opus 4.8 Perplexity Computer

事件专题

推荐理由：Perplexity把GLM 5.2调成自家Computer的协调模型，性能接近Opus但只花三成多成本，现在用的人已经排第二了。

原文

12:09

官方账号arXiv cs.LG@Hanqing Zhu, Wenyan Cong, Zhizhou Sha, Sagnik Mukherjee, Xinyuan Song, David González-Martínez, Xiaoxia Wu, Yuandong Tian, Shiwei Liu, David Z. Pan, Zhangyang "Atlas" Wang

ISO是一种专门为可验证奖励强化学习（RLVR）设计的优化框架。它通过保持基模型的权重谱不变，仅优化输入输出奇异帧来实现模型适配。离线版本ISO-Merger无需数据或梯度就能合并多个专家模型，在无数据合并方法中性能最强。在线版本ISO-Optimizer在Qwen3-8B-Base上，仅用100步就达到AdamW需270步的准确率（0.495），210步后进一步提升至0.509。实验覆盖1.5B到8B参数的推理与代码任务。

AI模型 ISO RLVR Qwen3

推荐理由：如果厌倦了RLVR微调慢慢跑，试试ISO：只用1/3的训练步数就能达到同等效果，Qwen3-8B上实测有效，代码开源。

原文

12:06