Gary Marcus 与 Terence Tao 评点 OpenAI 数学模型新进展
Gary Marcus 写了篇长文，把陶哲轩和他自己对 OpenAI 数学模型能力的看法放在一起对比，两派观点一目了然。
#推理模型
共 2000 条 · 7 天 180 条 · 30 天 660 条 · 话题观测 →
10月8日
Anthropic 发布 Claude Haiku 5.5，运行成本比 Haiku 4.5 低约 75%
Claude 家最便宜的小模型升级了，成本砍到原来的四分之一，性能还逼近 Sonnet 5.5，能调 effort 很实用。
Claude Haiku 5.5 定价曝光：10 万 token 内输入 $0.10
Anthropic 的 Haiku 5.5 价格跟 GPT-6 Luna 打平了，10 万 token 内输入只要 $0.10，选模型时可以对比看看。
开源教程：用 vllm-omni 复现 Qwen3-TTS 流式语音合成
想本地跑 Qwen3-TTS 流式语音的朋友看这个，部署配置和踩坑都帮你填好了，配合 vllm-omni main 分支直接开跑。
Mistral Large 4 在 AutomationBench 办公自动化基准上领先
Mistral 晒了新基准成绩：Mistral Large 4 跑 657 个办公自动化任务，赢了 Kimi K3 和 DeepSeek V4 Pro，做 agent 介绍的可以看看。
10月7日
Mistral 4 用 3800 张 Grace Blackwell 达到 GPT-6 Astra 72% 的智能水平
Mistral 用 3800 张 GPU 干出了别人 10 万张卡 72% 的效果，这算力效率对比挺有意思，看看各家的差距。
OpenAI 内部 pro 模型完全解决 500 个顶级难题中的 90 个
OpenAI 内部 pro 模型干掉了 500 道顶级难题里的 90 道，解 Navier–Stokes 一道要 3 小时，还比 GPT-6 Astra 强，看看细节。
Gary Marcus 评 OpenAI 数学新成绩：符号 AI 起了关键作用
Gary Marcus 拆解了 OpenAI 数学成绩背后的门道，说其实靠 Lean 符号验证撑着，顺带回应了关于他的各种争议说法。
Mistral 发布 Large 4 模型，尚未全面开放
法国 Mistral 放出新旗舰 Large 4，用 4000 块 Grace Blackwell GPU 训了两个月，想追欧洲阵营的可以盯一下。
François Chollet 提出疑问：能力边界是否主要取决于数学与代码
Keras 之父 Chollet 抛了个有意思的问题：RLVR 只能拉高数学和代码，其他领域能不能跟着涨还不确定，这直接决定接下来模型能走多远。
Percy Liang 提出 priced guidance 评估 Astra 能否预测新论文
Percy Liang 提了个挺新的评估思路：让带答案的 guide 模型和裸模型对话，按传输比特数记账，算出模型预测新论文的概率下界。
欧洲模型在 CyberGym-E2E-AA 基准以 82% 超越 MiMo-V2.6-Pro 和 GPT-6 Luna
欧洲模型在 CyberGym 网络安全基准拿了 82%，压过 MiMo-V2.6-Pro 和 GPT-6 Luna，看来欧洲还没掉队
Mistral Large 4 实测 19 道 CTF 挑战解出 18 道
Mistral 拿 Mistral Large 4 跑了 19 道 CTF 题，解出 18 道，还公开了工具调用和解题耗时，想看模型实战能力可以看这段视频。
Dots.3-preview 在性能与成本上双双压过 DeepSeek 新模型
小团队 Dots.3-preview 居然在性能和成本上都压过 DeepSeek 新模型，作者重点夸了他们的 RL 训练方案，想追国产模型进展的可以看看。
Grok 4.7 的 ARC-AGI 验证成绩公布：二代得分低于 Grok 4.6
ARC Prize 晒出 Grok 4.7 的实测成绩，有意思的是它一代分数涨了，二三代替反而降了，可以看看这套数据对比
8 个决策模型玩俄罗斯方块测试，Perplexity Decider 排名第一
有人拿 8 个决策模型打 Tetris，Perplexity Decider 稳居第一，还能自己在 playground 里复现，挺好玩的。
OpenRouter Playground 上线 Clef Flash 模型
Cloudflare 的 Clef Flash 上 OpenRouter 了，点进 Playground 就能直接试，不用自己搭环境。
10月6日
GPT-6.1 Sol 已出现在 Copilot 365 Premium 聊天模式中
有人在 Copilot 365 Premium 里刷出了 GPT-6.1 Sol，比官方公告还早，想第一时间尝鲜的可以去看看自己的账号有没有。
DeepSeek V4.1 Flash 在 ARC-AGI 验证集上超越 V4 Flash
DeepSeek 的 V4.1 Flash 跑分出来了，ARC-AGI-2 拿下 72.9%，比上一代高了 11.5 分，不过每任务成本贵了两倍多，看你怎么权衡。
Mistral 发布 1T 参数多模态模型 Mistral Large 4，编程与安全成绩对标 GLM-5.3
Mistral 这次真支棱起来了，1T 参数只激活 49B，用 4000 块芯片就训出能跟 GLM-5.3 掰手腕的模型，欧洲总算有能打的了。
Mistral 发布 Mistral Large 4：1T 参数开源权重模型
Mistral 拿出 1T 参数的 Le Chonk，激活只有 49B，跑分号称欧洲开源第一，还能在视觉定位上压过闭源模型，10 月底开源权重，可以关注。
Mistral Large 4 发布：1T 参数多模态，10 月底开放权重
Mistral 放出 1T 参数的 Le Chonk，激活才 49B，视觉定位还能打赢闭源模型，10 月底开源权重，开源党可以蹲一下。
Duke 研究员将出席 ARC Prize Research Summit 2026，介绍 PRO-LONG
ARC Prize 2026 峰会请来 Duke 的 PRO-LONG 一作，讲怎么用程序化记忆做长程推理，做推理方向的可以看看。