推理能力

DR-Venus 是一个仅用1万条开放数据训练的40亿参数深度研究智能体，基于Qwen3-4B-Thinking-2507架构，支持200步工具调用和超20万tokens的上下文。它通过监督微调与强化学习两阶段训练，在BrowseComp、GAIA等多个深度研究基准上树立了小模型性能新标杆。其SFT版本已超越多数同类开源模型，而RL版本进一步将长程任务可靠性和工具使用校准度提升2-3个百分点。项目已全面开源模型、代码与训练流程。

一项针对LLM科学智能体的评估通过25,000余次运行发现，基础模型贡献了解释方差的41.4%，而脚手架仅占1.5%。数据显示，68%的推理轨迹忽略证据，仅26%出现反驳驱动的信念修正，且趋同多测试证据罕见。这些认知缺陷在工作流执行或假设探究中均存在，即使提供成功推理示例也无法改善。当前智能体虽能执行科学工作流，但不具备自我修正的科学推理模式，且基于结果的评估无法检测此类失败。

OpenAI发布面向生命科学的专业推理模型GPT-Rosalind。该模型专门针对药物发现、基因组学分析、蛋白质推理及科学研究工作流设计，旨在加速生物医药研发进程。作为前沿推理模型，GPT-Rosalind将AI能力深度应用于生命科学场景，为科研人员提供从基因数据分析到药物筛选的智能支持，提升复杂生物信息处理效率。

Claude Opus 4.7 全面上线，在高级软件工程任务上实现重大飞跃，93项编码基准测试解决率较 Opus 4.6 提升 13%，并首次解决四项前代无法完成的难题。新版本支持更高分辨率图像识别，在研究代理基准测试中总分达 0.715，长上下文性能表现最为稳定。模型定价维持每百万输入 token 5 美元、输出 25 美元不变。出于安全考量，其网络攻击能力较 Claude Mythos Preview 有所削弱，并配备自动拦截高风险网络安全请求的防护机制，合法安全研究人员可通过 Cyber Verification Program 申请使用权限。

Anthropic 发布 Claude Opus 4.7，定位为最强大的通用模型，擅长复杂推理与智能体编码，定价保持与 Opus 4.6 相同的 $5/$25 per MTok。

随着2026年AI代码代理的成熟，开源项目如transformers面临PR数量激增但质量下降的挑战。这些代理生成的代码常忽视项目的隐式设计契约，导致代码冗长、引入错误并增加维护者负担。为此，团队为mlx-lm开发了一个Skill工具，用于将模型从transformers高质量地移植到mlx-lm框架。该工具不仅生成接近人工提交的PR，还提供生成示例、数值对比和独立的测试工具链，以辅助贡献者和审查者。其目标是让模型在加入transformers后能快速在MLX上可用，同时维护代码的可读性与设计一致性。

Nemotron 3 Super是1200亿参数（120亿激活）的Mamba-Attention混合专家模型，首创NVFP4预训练，集成LatentMoE架构与MTP推测解码层优化推理。模型基于25万亿token预训练，经监督微调和强化学习后训练，支持100万token长上下文。相比GPT-OSS-120B和Qwen3.5-122B，推理吞吐量分别提升2.2倍和7.5倍，同时保持相当精度。全系列数据集与模型检查点已在HuggingFace开源。

研究定位了对齐训练语言模型的策略路由机制：中间层注意力门控检测内容并触发深层放大头输出拒绝信号。该机制在2B至72B参数的12个模型中普遍存在，随规模扩大从单头演变为跨层头带。实验证实门控层贡献不足1%输出却具因果必要性，单头消融在72B模型上效果减弱58倍。调节检测层信号可连续控制策略强度，甚至将拒绝转为有害回答。替换密码可使安全机制失效70-99%，而注入明文门控激活可恢复48%拒绝行为，表明安全能力仅被路由门控而非真正移除。

Stanford HAI 发布的 2026 年 AI 指数报告显示，AI 模型性能实现重大飞跃，中美技术差距显著缩小，但安全问题和公众信任危机同步加剧。报告指出，尽管 AI 能力快速提升，行业面临的安全隐忧日益严峻，公众对技术的信任度持续下滑。

AI算力稀缺时代正式开启。Nvidia Blackwell芯片GPU租赁价格涨至每小时4.08美元，两月内涨幅达48%；云服务商CoreWeave涨价20%并将最低合同期从一年延长至三年。Anthropic已将最新模型限制给约40个组织使用，OpenAI因算力不足被迫放弃部分项目。这标志着AI充足时代结束，"价高者得"、关系型销售、被迫多元化成为行业新常态，初创公司面临更严峻挑战。

Audio Flamingo 系列发布下一代模型 AF-Next，支持长达 30 分钟的复杂音频输入，并引入 Temporal Audio Chain-of-Thought 技术，将中间推理步骤显式对应到时间戳。该模型基于超过 100 万小时的新增数据进行课程式训练，在 20 个音频理解与推理基准测试中显著超越同规模开源模型，部分指标超过更大规模的闭源模型。团队同步开源了 AF-Next-Instruct、AF-Next-Think 和 AF-Next-Captioner 三个变体。

本研究推出了名为ProofGrid的基准测试套件，旨在通过机器可检查的证明，而非仅凭最终答案，来严格评估大语言模型（LLM）的推理能力。该套件包含15项任务，涵盖证明编写、验证等环节，核心采用紧凑的最小自然演绎语言（NDL）进行表述。其评估框架能容忍表面偏差并定位首个实质性推理错误，实现了机械化、可复现的细粒度验证。测试表明，前沿模型在基础任务上表现尚可，但在需要全局组合推理或底层证明合成的困难任务上仍存在显著局限。研究还识别并量化了模型“生成有缺陷证明却能在局部正确识别其错误”的“认识不稳定”现象。

针对Blackwell GPU上的小批量解码，研究提出了一种名为“warp decode”的新方法。该方法颠覆了传统以专家为中心的计算路径，改为让每个GPU warp负责计算一个输出神经元。这一根本性改变消除了原有流程中五个纯数据管理的“簿记”步骤，将整个MoE计算层压缩为仅两个内核。其优势在于避免了填充、分散和中间缓冲区的读写，并通过warp独立性实现了更好的调度。在Blackwell GPU上，该方法实现了1.84倍的吞吐量提升，同时输出精度更高，与全FP32参考值的差距缩小了1.4倍，有效加速了模型研发流程。

Meta将其广告推荐系统的运行时模型扩展至LLM的规模和复杂度，旨在更深入理解用户兴趣与意图，以提升广告效果。这一举措通过自适应排序模型，优化了推理阶段的扩展曲线，使部署大规模模型服务成为可能，标志着推荐系统性能向新前沿迈进。

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。