#推理模型

模拟电路版 SWE-bench 来了：50 个真实设计任务，15 种智能体跑 2250 次实验，DeepSeek V4 Pro 靠参考拓扑涨了 18.7 个点。

一篇把扩散模型搬进推理赛道的新论文，LFRM 用 638M 参数在 GSM8K 拿到 63.74%，比同规模的连续扩散基线都强，搞生成范式研究的可以看看。

清华团队提出 TaH2，让循环 Transformer 只对需要的 token 多迭代，AIME 上同等算力多拿 3.4 分，代码已开源。

说蒸馏防御没用的人来了：只要蒸馏后再跑一轮 RL，很多防御就失效。做模型安全或 API 防护的值得看看。

这只是个推测帖：博主赌 Anthropic 马上发 Sonnet 5.5，性能贴近 Opus 5.5 但价格低得多，官方还没确认。

kimmonismus@kimmonismus11 个信源在谈原文

外网博主分析 OpenAI 下一款模型的命名走向，提到 Bel 和应对 Opus 5.5 的竞争，吃瓜看热闹正合适。

kimmonismus@kimmonismus11 个信源在谈原文

越南团队把开源模型改造成能跑在消费级 GPU 上的教学助手，检索调用少了 7.7 倍，准确率还从 70% 涨到 79.5%，做本地部署的可以看看。

只用600道题微调，不训练停止机制，就让Qwen、Gemma这些模型推理时少生成25%的token，思路挺有意思。

有人在 5 个模型上复现了 PoLar 这篇论文，结论一半成立一半翻车，还发现纠错程序脆弱得离谱，做层路由研究的可以看看。

一篇针对 CLIP 这类视觉语言模型的遗忘论文，指出现有方法只会过拟合见过类别，提出的 4 shots 就能超过 8 shots 基线

这篇 arXiv 论文拿三个 32B 模型做了思考前后对比，发现思考反而制造约 5 倍的新偏见翻转，做公平性评估的人该看看。

拿 DeepSeek、GPT、Gemini 跑了一年美股、80 万次预测，结论是推理算力花在交易上不划算，做量化的人可以看看实验设计。

Mollick 观察到 Fable/Astra 这代闭源模型的 agentic 能力开源模型还没跟上，想跟进开源动态的可以看看。

Ethan Mollick@emollick11 个信源在谈原文

训练只喂短任务，推理却能搞定32倍长的任务，靠的是外层 harness 做分解，思路挺新颖

Gary Marcus@GaryMarcus原文

MiniMax 推出轻量快的 M3.1 Flash 预览版，跑大量请求的团队用现有 Token Plan 就能直接调，不用额外配置。

MiniMax_AI@MiniMax_AI3 个信源在谈原文

作者把 OpenAI Dev Day 可能的几种打法都列出来了，降价 50% 和新模型 Bel 是重点，比 Codex 小功能更值得盯。

Bindu Reddy@bindureddy11 个信源在谈原文

有博主发现 Claude Opus 5.5 又强又便宜，性价比逆天，还顺便猜了下 Sonnet 5.5 会更省，可以关注下。

kimmonismus@kimmonismus11 个信源在谈原文

爆料说 Sonnet 5.5 下周就来，定价还便宜，直接对标 GPT-6-Sol，MiniMax-M3.1 也要跟着发，蹲一个官宣。

kimmonismus@kimmonismus11 个信源在谈原文

Yuchen Jin直接说Claude Opus 5.5不如Astra，还断言编程能力从Opus 4.8起就停滞了，看看这个反主流判断

Yuchen Jin@Yuchenj_UW11 个信源在谈原文

DeepSeek 的 Flash 模型号称能打 Fable 和 Astra，但博主实测后觉得没那么神，跑分和实际体验的差距值得聊聊。

Bindu Reddy@bindureddy11 个信源在谈原文