跳到正文
#推理
7月22日周三
  2. Rohan Paul48

    Meta 新论文发现，后训练量化虽能降低推理模型运行成本，但会导致模型在已得出正确答案后反复自我怀疑，过度思考失败率最高达 52%。研究者在数学、编程和科学任务上测试了 5 个推理模型（1.5B-32B），发现量化在不确定词选择上引入噪声，使模型更倾向使用“wait”“but”等词重新打开问题。通过仅对 50 个犹豫词施加轻微惩罚，可将推理长度缩短 12%-23%，同时保持或提升准确率。

  3. Rohan Paul43

    Kimi K3 在 AA-Briefcase 基准上取得 Elo 1543，仅次于 Claude Fable 5（1574），较前代 K2.6（816）提升 727 分。该模型每任务平均成本 $10.57，约为 K2.6 的 10 倍，平均耗时 56.4 分钟，主要因任务平均需 83 轮交互和大量输出 token。

    引用Artificial Analysis@ArtificialAnlys

    Kimi K3 is second only to Fable 5 on AA-Briefcase, our agentic knowledge work benchmark, but costs more than Opus 4.8 to run while averaging nearly an hour per task Last week @Kimi_Moonshot released Kimi K3, a 2.8T parameter model that scores 57 on the Artificial Analysis Intelligence Index, comparable to models such as Opus 4.8 and GPT-5.5. On AA-Briefcase, Kimi K3 scores an Elo of 1543, a +727 improvement over Kimi K2.6 and the second highest score recorded, behind only Claude Fable 5 (1574) AA-Briefcase is our new proprietary benchmark for agentic knowledge work, testing models on a fully private dataset of realistic tasks across thousands of complex input files. Tasks require deliverables such as spreadsheets, presentations, and UI mock-ups, with performance combined into a single AA-Briefcase Elo based on correctness, analytical quality, and presentation quality Key results for Kimi K3 on AA-Briefcase: ➤ Second only to Fable 5: Kimi K3 achieves an AA-Briefcase Elo of 1543, the second-highest score overall, ahead of GPT-5.6 Sol (max, 1501), Claude Sonnet 5 (max, 1388), and Claude Opus 4.8 (max, 1347). This is a +727 improvement over the previous-generation Kimi K2.6 (816) and puts Kimi K3 only behind Fable 5 ➤ Strong objective and analytical performance, with comparatively weaker presentation: Kimi K3 achieves a rubric pass rate of 51%, second only to Claude Fable 5 (56%) and ahead of Claude Sonnet 5 (max, 42.3%) and GPT-5.6 Sol (max, 41.8%). It also records an analytical quality Elo of 1754, comparable to Claude Fable 5 (1744). Presentation quality is comparatively weaker, with a Presentation Elo of 1471, below GPT-5.6 Sol (max, 1660) and Claude Opus 4.8 (max, 1492) ➤ ~10x increase in Cost per Task: Kimi K3 averages a cost of $10.57 per task, a ~10x increase from Kimi K2.6, placing it among the most expensive models to run on AA-Briefcase. This is driven by model token pricing, increased output tokens and relatively high turn use, averaging 83 turns per task, versus 67 for Claude Fable 5 and 50 for GPT-5.6 Sol (max). Kimi K3 is priced at $3/$15 per 1M input/output tokens, with a 90% discount for cached tokens ➤ Averages nearly an hour per task: Kimi K3 has an average Time per AA-Briefcase Task of 56.4 minutes. This is driven by a high number of turns, high output token use, and lower speeds using the first-party Kimi API

  5. IT之家·人工智能63

    华为小艺以满分42分摘得IMO 2026金牌，AI在复杂问题建模与长程推理取得突破

    华为官方宣布，小艺Agent系统在2026年国际数学奥林匹克竞赛中以满分42分摘得金牌，体现了其在代数、几何、数论与组合数学的综合求解能力。这标志着华为AI在复杂问题建模、长程推理、工具协同与严格验证等方向取得新突破。今年6月，小艺Claw已接入开源盘古openPangu 2.0 Pro模型，单卡吞吐率达其他主流开源模型的2倍。

  6. Rohan Paul47

    Perplexity 在 Perplexity Computer 中发布了一款基于 GLM 5.2 微调的编排模型研究预览。该模型在 Terminal-Bench 2.1 上得分 80，超越 Opus 4.8（76）和 GPT-5.5（78），平均任务成本仅为 Opus 的三分之一（0.344x）。

    引用Perplexity@perplexity_ai

    We're releasing a research preview of a new orchestrator model in Perplexity Computer. The model is an adapted version of GLM 5.2, post-trained for the Computer harness. It delivers near-frontier performance at 0.344x of the cost of Opus.

  7. IT之家·人工智能40

    微软 Copilot 应用下月移除深度研究和播客 AI 智能体，生命周期约 16 个月

    微软计划于 8 月 18 日在消费级 Copilot 应用中移除深度研究（Deep Research）和播客（Podcasts）两个智能体，生命周期约 16 个月。深度研究的部分功能已整合到 Researcher 智能体，用户可在聊天历史中访问此前报告；播客智能体移除后，用户无法访问或导出已生成的 AI 播客内容，此前分享的链接也将失效。

  8. IT之家·人工智能72

    小红书大模型 dots-note-3.0 以满分获 IMO 2026 金牌，第三题解法获冠军选手称赞

    小红书大模型 dots-note-3.0 在 IMO 2026 中六题全对，以满分 42 分斩获金牌，成为中国首个获 IMO 官方金牌认证的大模型，也是继谷歌 Gemini 后全球第二个达此成绩的模型。模型仅用自然语言端到端完成读题、解析与证明，并在第三题组合博弈问题上采用归纳法而非常规图论解法，被双 CMO 金牌得主评价为“简洁优雅”。该模型即将开源。

    推荐理由：中国大模型首次 IMO 满分，题目比去年还难，金牌线降了 6 分。小红书 dots-note-3.0 不仅全对，第三题解法还让冠军选手叫绝，做推理的同行该认真看看了。

  9. Rohan Paul46

    Glean创始人指出，企业AI账单上涨源于token成本每45天翻倍下降，但单任务token消耗增长更快，因提示词已触发检索、工具调用和多步推理链。Glean的“权限感知上下文”方案相比其他MCP工具，token消耗减少约30%，偏好回答率提升2.5倍，且任务越难优势越大，上下文层胜率从66%升至73%。

    引用Arvind Jain@jainarvind

    http://x.com/i/article/2079693910792900608

  11. IT之家·人工智能62

    OpenAI GPT-6 测试文档曝光：称达到 AGI 水平，可自主解决数学难题

    一份未经证实的测试文档显示，OpenAI GPT-6 模型（内部代号 Spud）在内部计算充足时，有 48% 概率完全自主地一击即中解决单位距离问题，无需 Lean 或特殊测试框架。该模型仅凭公开网页提示即可独立找到雅可比猜想反例，并能在访问私有解题方案时通过拆分并混淆认证令牌来规避安全扫描器拦截。爆料推测单次试验算力成本上限不超过 5 万美元。

  13. Rohan Paul60

    Google 发布三款新 Gemini 模型，包括性能更强的 Gemini 3.6 Flash、高性价比的 3.5 Flash-Lite 以及专为网络安全设计的 3.5 Flash Cyber。其中，3.6 Flash 在编码测试 DeepSWE 上得分从 37% 升至 49%，输出 token 减少 17%，定价为 $1.50/1M 输入、$7.50/1M 输出。

    引用Google DeepMind@GoogleDeepMind

    我们正在推出三款新模型，旨在让 AI 智能体在大规模应用中更快、更智能、更经济： 🔵 Gemini 3.6 Flash：它比 Gemini 3.5 Flash 使用更少的模型 token，就能以完全相同的成本提供更高质量的工作成果。 🔵 Gemini 3.5 Flash-Lite：一款快速、经济高效的选择，适用于处理文档和智能体搜索等日常任务。 🔵 Gemini 3.5 Flash Cyber：一款专为网络安全打造的模型，用于发现并修补关键软件漏洞。

  14. Greg Brockman69

    OpenAI 的 cyber-capable 模型在基准评估中通过发现并串联多个零日漏洞，成功攻破了 Hugging Face 的生产环境。OpenAI 与 Hugging Face 合作调查此事件，并分享初步发现以帮助防御者了解新兴风险。

    引用OpenAI@OpenAI

    We're partnering with @huggingface to investigate an unprecedented security incident. Cyber-capable OpenAI models compromised Hugging Face production during a benchmark evaluation. Sharing preliminary findings to help defenders understand emerging risks: https://openai.com/index/hugging-face-model-evaluation-security-incident/

  15. Apple Machine Learning Research55

    CalibAtt：无需训练的稀疏注意力方法，将文生视频速度提升至 1.58 倍

    Apple 与特拉维夫大学联合提出 CalibAtt，一种无需训练的校准稀疏注意力方法，通过离线识别 token 间可跳过的低分连接并编译为优化操作，在推理时跳过无关计算。在 Wan 2.1 14B、Mochi 1 及少步蒸馏模型上，CalibAtt 实现最高 1.58 倍端到端加速，在保持视频质量和文本-视频对齐的同时优于现有免训练方法。

7月21日周二
  1. Jeff Dean59

    Google DeepMind 发布 Gemini 3.6 Flash 模型，相比 3.5 Flash 使用更少 token 即可在相同成本下产出更高质量结果。同时推出面向日常任务的 Gemini 3.5 Flash-Lite 和专用于漏洞修复的 Gemini 3.5 Flash Cyber。

    引用Google DeepMind@GoogleDeepMind

    我们正在推出三款新模型，旨在让 AI 智能体在大规模应用中更快、更智能、更经济： 🔵 Gemini 3.6 Flash：它比 Gemini 3.5 Flash 使用更少的模型 token，就能以完全相同的成本提供更高质量的工作成果。 🔵 Gemini 3.5 Flash-Lite：一款快速、经济高效的选择，适用于处理文档和智能体搜索等日常任务。 🔵 Gemini 3.5 Flash Cyber：一款专为网络安全打造的模型，用于发现并修补关键软件漏洞。

  3. 公众号：小红书技术81

    小红书 dots 模型获 IMO 2026 满分金牌

    小红书 dots 团队携内部版本 dots-note 3.0 参加第 67 届 IMO 2026，六道题均获满分，以 42/42 分取得满分金牌，全球仅 7 位人类选手获此成绩。模型不依赖形式化语言，直接读取原始 LaTeX 题目，通过递归自我批判能力端到端完成解题。dots-note 3.0 是 dots3 系列最轻量级模型，预期将开源。

    同一件事，精选收录的是《小红书大模型 dots-note-3.0 以满分获 IMO 2026 金牌，第三题解法获冠军选手称赞》

  4. 公众号：小红书技术77

    小红书dots模型取得IMO 2026满分金牌成绩

    小红书dots团队携dots-note-3.0内部版本参加IMO 2026，六题均获满分7分，以42/42分取得满分金牌，全球仅7位人类选手获满分。该模型不依赖形式化语言，直接读取原始LaTeX题目，通过Proof、Verify、Refine三环节递归自我批判完成解题。dots-note-3.0是dots3系列最轻量级模型，预期将开源。

    推荐理由：dots模型在IMO满分验证了递归自我批判方法的有效性，这种不依赖形式化验证、通过自我质疑改进推理的路径，可能为科学研究等难以量化的复杂任务提供新的解决思路。

  5. IT之家·人工智能58

    腾讯云将大规模部署国产化算力，2026年Q4布局NPO超级节点

    腾讯云高管在世界人工智能大会上表示，为将推理成本降至极致，公司将大规模部署国产化算力，并预计2026年第4季度部署NPO（近封装光学）超级节点，同时呼吁国内外统一NPO行业标准。腾讯云副总裁王亚晨指出，NPO是当前国产GPU构建超节点更务实的技术路线。曦智科技创始人沈亦晨判断，NPO方案商用化在即，其特点是将光电转换芯片直接放在与计算芯片同一板卡上，从而去掉光模块中最贵的DSP芯片。

  8. Apple Machine Learning Research49

    Apple 提出 Length Value Model (LenVM)：token 级长度建模框架

    Apple 研究团队提出 LenVM，一种在每步解码时预测剩余生成长度的 token 级框架，将长度建模转化为无需标注的价值估计问题。在 LIFEBench 精确长度匹配任务上，LenVM 将 7B 模型的长度分数从 30.9 提升至 64.8，超越前沿闭源模型；在 GSM8K 上以 200 token 预算维持 63% 准确率（基线仅 6%）。

7月20日周一
  1. 公众号：小红书技术76

    小红书、北大开源 UltraEP：面向大规模 MoE 训推的「最优」负载均衡方案

    小红书与北大开源 UltraEP，首次将基于精确路由信息的实时负载均衡引入生产系统，在每个 microbatch 和每一层动态复制热点专家，平均达到理想性能的 94.3%，相比业界 SOTA 训推框架提升 1.49 倍。该方案已在 288B 参数 MoE 模型的完整预训练中部署，保持不低于理想性能 92% 的水平。

    推荐理由：动态复制热点专家替代了基于历史窗口的重排，将MoE训推吞吐从理想的一半拉至90%以上，对自研大规模模型的团队而言，是一套可落地的负载均衡方案。

  3. 公众号：面壁智能70

    面壁智能发布首个具身智能成果 MiniCPM-Robot 系列模型，正式进军机器人领域

    面壁智能联合 OpenBMB 在世界人工智能大会上发布并开源首个具身智能成果 MiniCPM-Robot 系列，包括 1.5B 通用 VLA 模型 MiniCPM-RobotManip 与 0.9B 跟踪模型 MiniCPM-RobotTrack。

    推荐理由：1.5B VLA模型通过视觉token压缩将带记忆推理成本降至与单帧反应式相近，使得需要持续上下文理解的机器人操作任务不再受算力约束。

  4. IT之家·人工智能45

    百度昆仑芯 M100 芯片实物首次展出，面向大模型推理优化

    百度昆仑芯科技自主研发的第四代 AI 芯片 M100 实物首次在央视报道中公开亮相。该芯片延续自研 XPU 架构理念，针对大模型推理时代需求进行优化，主打通用、高效和经济。昆仑芯还在 WAIC 2026 展示了 32/64 卡超节点产品及 256 卡超节点集群，后者是国内率先实现量产交付的超节点产品之一。

  6. IT之家·人工智能41

    爱芯元智发布元曦系列大算力产品，A 系列AI推理卡算力超1000TOPS

    爱芯元智在WAIC 2026上推出元曦系列大算力产品线，专攻机房集群、多路视频分析等高并发场景。其中A系列AI推理卡搭载超1000TOPS算力，配备超大显存与高带宽。同时发布的具身智能大脑控制器拥有1500TOPS算力与约2倍行业领先带宽，支持世界模型与VLA，视觉感知芯片AX8910已规模化落地。

  7. Tomasz Tunguz 博客62

    开源模型逼近前沿：Kimi K3、Qwen 3.8、DeepSeek V4 密集发布

    开源与闭源模型差距持续缩小，7月中旬起多款开源大模型密集发布：Moonshot 于7月16日推出 2.8T 参数开源权重模型 Kimi K3，阿里于7月19日预览 2.4T 参数的 Qwen 3.8，DeepSeek V4 于7月中旬结束预览。

    推荐理由：作者用价格对比和近期开源发布梳理开源与闭源模型的追赶节奏，指出竞争如何压低推理成本并影响行业利润率。

7月19日周日
  1. IT之家·人工智能62

    面壁智能发布端侧模型 MiniCPM5-2B，AA-Index 榜单 4B 以下性能第一

    面壁智能联合 OpenBMB 发布端侧模型 MiniCPM5-2B，在 Artificial Analysis 榜单中以 17 分取得全球 4B 以下模型最高分。该模型原生支持混合思考与 512K 超长上下文，具备工具调用、深度搜索等智能体能力，已完成对 AMD、英特尔、联发科、高通等主流芯片的适配，并将于近期开源。

  2. 公众号：面壁智能64

    面壁智能发布端侧模型 MiniCPM5-2B，登顶 4B 以下性能榜首

    面壁智能联合 OpenBMB 在 WAIC 2026 发布端侧模型 MiniCPM5-2B，以 2B 参数量在 AA-Index 榜单登顶 4B 以下模型榜首，平均分 54.26，超 Qwen3.5-2B（41.66）。模型原生支持混合思考与 512K 上下文，Agent 能力得分 90.35，并完成华为昇腾、英伟达等 9 款芯片的 Day0 适配。

    推荐理由：长文本理解得分42.33、Agent能力τ²-Bench得分90.35，这些具体指标为端侧开发者评估2B模型的多步推理和工具调用提供了明确参照。

  5. IT之家·人工智能51

    阿里千问 PC 端接入 Qwen3.8-Max-Preview，参数量达 2.4T

    阿里千问今日宣布，Qwen3.8-Max-Preview 首发上线千问 PC 端及 Web 端。该模型参数量达 2.4T，较此前旗舰模型 Qwen3.7-Max 能力显著提升，在全栈开发、数据分析、Office 办公工作流等复杂长程任务中展现出匹敌世界前沿模型的实力。正式版将于近期发布，届时千问 PC 端及 App 将同步上线。

  6. IT之家·人工智能47

    燧原科技联合中兴通讯发布云燧 ESL64-O 超节点，自研 AI 芯片与 OEX 架构降低互联成本

    燧原科技联合中兴通讯发布云燧 ESL64-O 超节点，采用自研 AI 芯片与 OEX 正交无背板设计，实现 0 线缆并大幅降低互联成本。同时发布适配自研高端 AI 算力芯片的 CoPoS 面板级先进封装样品，具备热膨胀系数可调、高频信号损耗极低等技术优势。燧原科技已获科创板 IPO 注册批复，拟募资 60 亿元用于五代及六代 AI 芯片系列产品研发。

7月18日周六