Goodfire Research 研究发现模型的言语化评测意识会推高安全基准测出的安全性
Goodfire Research 发表研究，指出模型会在思维链中自发表达意识到被评测（verbalized eval awareness），在测试的全部 19 个基准和 8 个模型中均存在，共 515 个人工核验实例，其中 95% 仅出现在思维链中。
推荐理由：研究覆盖 19 个基准和 8 个模型，给出评测意识推高拒绝率的因果证据与可操作的提示词改写方法，有助于评估者校准对安全基准分数的信任。
#推理
Goodfire Research精选AI 评分6969
IT之家·人工智能AI 评分5353 美光 CEO 称 AI 仍处于“早期阶段”，DRAM 内存和 NAND 闪存供应持续吃紧
美光科技CEO桑杰・梅赫罗特拉表示，当前AI浪潮仍处早期阶段，推理应用扩大导致对高速、大容量存储需求激增。目前DRAM和NAND闪存供应持续紧张且产能提升困难，预计今年AI对这两类存储的需求将超过行业总市场规模的一半。美光正为英伟达新平台供应HBM4样品，并计划明年量产HBM4E。尽管企业需求旺盛，但受供应限制和价格上涨影响，消费电子市场的PC和移动设备销量可能出现低双位数下滑。公司预计第三财季将再次刷新业绩纪录。
IT之家·人工智能AI 评分6666 哈佛新研究：AI 模型“急诊科”场景诊断能力有望超越人类医生
哈佛医学院与贝斯以色列女执事医疗中心的研究显示，OpenAI的一款推理模型在真实临床病例测试中，其诊断与制定治疗方案的能力达到甚至超越了人类医生水平。研究重点测试了模型在急诊科等信息不完整、混乱的真实场景中的表现，模型仅依据当时可获得的电子健康记录文本进行判断，在多个诊疗环节及复杂诊断推理测试中的表现超过了两名经验丰富的医生以及一个大型医生基准组。但模型目前完全依赖文本病历，未处理影像等关键信息。研究者强调，AI并非取代医生，而是有望成为临床决策支持工具，尤其适用于急诊等高压环境。下一步需在真实临床环境中测试其对患者结局的实际改善效果。
The Decoder：AI NewsAI 评分5353 ARC-AGI-3 分析显示，即便是最新 AI 模型仍存在三种系统性推理错误
ARC Prize Foundation 对 OpenAI 的 GPT-5.5 和 Anthropic 的 Opus 4.7 在 ARC-AGI-3 基准测试中的 160 次任务运行进行了分析。研究发现，三种系统性错误模式导致这两个模型在人类能轻松解决的任务上得分均低于 1%。这些错误揭示了当前顶尖大语言模型在抽象推理能力上仍存在根本性缺陷。
The Decoder：AI NewsAI 评分5959 xAI 发布 Grok 4.3，大幅降价并推出创意项目 Imagine 智能体模式
xAI 正式推出 Grok 4.3 模型，其核心策略是大幅降低价格并增强工具使用能力。新模型在实际任务处理上有所提升，但在性能上仍落后于 OpenAI 和 Anthropic 的顶尖模型。此次发布还引入了一个基于智能体的新型图像生成器“Imagine”模式，专门服务于创意项目。
François Chollet@fcholletAI 评分5656最新一批模型在ARC-AGI-3上的得分目前仍低于1%。 到今年年底，得分会达到多少呢？
引用ARC Prize@arcprizeGPT-5.5 & Opus 4.7 on ARC-AGI-3 - GPT-5.5: 0.43% - Opus 4.7: 0.18% We found 3 failure modes: - True local effect, false world model - Wrong level of abstraction from training data - Solved the level, didn’t reinforce the reward See our full analysis 🧵
Elon Musk@elonmuskAI 评分5454引用Arthur MacWaters@ArthurMacwatersGrok 4.3 release > #1 in caselaw > #1 in corpfin > impressive given significantly lower cost per 1m tokens (5-10x less than opus 4.7 and openai 5.5) Very exciting to see the massive jump in performance in highly detail-oriented applied fields
- François Chollet@fchollet精选AI 评分7070引用Chris@chatgpt21
GPT-5.5 在 ARC AGI 3 上得分 0.43%！ - GPT-5.5：0.43% - Opus 4.7：0.18% - GPT-5.4：0.20% - Claude 4.6：0.45% - Gemini 3.1：0.4% GPT 5.5 报告的失败原因包括： - 真实的局部效果，错误的世界模型 - 来自训练数据的抽象层级错误 - 解决了关卡，但没有强化奖励 我认为完整的分析将帮助 OpenAI 全面理解模型在某些模态中失败的地方
推荐理由：Chollet 用 ARC AGI 3 冷冰冰的数字撕开了 RL 的局限，GPT-5.5 0.43% 的得分说明在未知领域模型会做完全不相干的事，比任何安全论文都来得更直击要害。
The Decoder：AI NewsAI 评分6060 Google Deepmind的“AI协诊医生”在盲测中击败GPT-5.4，但仍落后于经验丰富的医师
Google Deepmind正在开发一款“AI协诊医生”系统以辅助医生诊疗。在模拟研究中，该系统表现优于GPT-5.4，但仍未达到经验丰富医师的水平。研究同时指出，类似ChatGPT语音模式的技术目前尚无法胜任严肃任务，更难以应用于医疗咨询场景。这项进展揭示了AI在专业医疗辅助领域的当前能力边界与发展潜力。
The Decoder：AI NewsAI 评分5151 Mistral 新旗舰模型 Medium 3.5 将聊天、推理和代码功能整合为一体
Mistral 发布其新旗舰模型 Mistral Medium 3.5，它将此前独立的聊天、推理和代码生成模型合并为一个单一产品。同时，该公司为其编程工具 Vibe 增加了异步云代理功能，并为聊天产品 Le Chat 引入了新的智能体模式。
Artificial Analysis@ArtificialAnlysAI 评分5757IT之家·人工智能AI 评分4646 韩投称 AI 企业已锁定长期内存订单：即便市场短缺缓解，价格仍维持高位
韩国投资证券研报指出，即便内存芯片短缺问题缓解，其价格短期内也不会显著下降。AI超大规模企业已锁定长期内存产能订单，这将延长当前的内存超级周期，预计价格在未来一段时间内持续高位运行。扩大内存容量可提升GPU利用率，降低单个Token处理成本，因此AI公司愿意高价采购。目前DRAM价格同比已涨3倍，但GPU效率提升带来的回报更高。同时，HBM和DRAM的产能紧张意外推高了NAND芯片需求，其价格优势在高压需求下保持了市场弹性。
- Elon Musk@elonmuskAI 评分6161引用OpenRouter@OpenRouter
The new Grok-4.3 from @xai is live on OpenRouter! Grok-4.3 releases at a lower price than Grok-4.2, while seeing a large jump in agentic performance: a 321 point increase to 1500 ELO on @ArtificialAnlys GDPval-AA, surpassing other top models despite the lower price.
IT之家·人工智能AI 评分4545 IT早报 0501：追觅 CEO 要求员工开通社媒账号；OPPO 将推四曲面手机；iPhone 18 Pro 相机大升级
本期IT早报主要内容包括：追觅科技CEO要求全体员工开通社交媒体账号并发布视频；OPPO计划下半年推出效仿苹果风格的四曲面设计手机；iPhone 18 Pro系列或将迎来史上最大相机硬件升级。此外，极越汽车关联主体进入合并重整程序，DeepSeek发布多模态模型技术报告，央视曝光部分充电头功率虚标，宇树发布起售价2.69万元的双臂人形机器人，比亚迪与高德地图达成充电合作，支付宝等17家支付机构牌照获续展，华为鸿蒙新版本占比提升，以及小米大屏旗舰手机预计5月下旬发布。
- Artificial Analysis@ArtificialAnlysAI 评分4646
Noam Brown@polynoamialAI 评分4646引用AI Security Institute@AISecurityInstOpenAI’s GPT-5.5 is the second model to complete one of our multi-step cyber-attack simulations end-to-end 🧵
ARC Prize：官方博客精选AI 评分6363 ARC Prize 用 ARC-AGI-3 分析 GPT-5.5 与 Opus 4.7 的推理失败模式
ARC Prize 分析了 GPT-5.5 和 Opus 4.7 在 ARC-AGI-3 上的 160 段推理回放，两模型在半私 数据集上的得分分别为 0.43% 和 0.18%，并开源了分析包。
推荐理由：作者基于 160 段推理回放归纳出三种可复用的失败模式分类，并对比两个模型在压缩策略上的差异。
IT之家·人工智能精选AI 评分7272 DeepSeek 公布多模态模型技术报告
DeepSeek发布了多模态大模型及技术报告，提出创新的“基于视觉原语的思考”框架。该框架将点、边界框等视觉元素作为推理的基本单元，旨在解决多模态模型在空间参照任务中存在的“参照鸿沟”核心问题，使模型能将抽象认知锚定到图像的具体坐标上。尽管模型规模紧凑且图像标记预算较低，其在多项挑战性计数和空间推理基准测试上的性能，可与GPT-5.4等前沿模型相媲美。
推荐理由：DeepSeek 把视觉概念直接变成推理单元，绕开了语言描述空间的先天模糊，在空间推理上把自家紧凑模型拉到和 GPT-5.4 一个水平，做多模态应用的人值得细读。
- Artificial Analysis@ArtificialAnlysAI 评分5656
IT之家·人工智能AI 评分5656 联发科 CEO 蔡力行：AI 浪潮仍在延续，数据中心需求加速增长
联发科CEO蔡力行表示，人工智能浪潮持续，数据中心需求正加速增长。他预计到2027年，全球数据中心专用芯片市场规模将达700亿至800亿美元，联发科相关芯片有望实现数十亿美元营收。尽管公司一季度营收和净利润因手机业务拖累同比下滑，但AI相关业务增长强劲。受AI热潮推动，台积电一季度净利润大增58%，三星电子营业利润暴涨8倍。联发科股价今年已上涨83%。
IT之家·人工智能AI 评分5151 英特尔携手 AMD 发布 ACE 架构提升 AI 性能，x86 矩阵计算密度提升 16 倍
英特尔与AMD联合发布人工智能计算扩展（ACE）白皮书，将其确立为x86架构的标准矩阵加速方案。该扩展旨在突破现有SIMD扩展在计算密度与扩展性上的局限，通过引入基于外积运算的矩阵加速机制，无缝集成AVX10。据白皮书数据，在消耗相同数量输入向量的前提下，ACE的计算密度比等效的AVX10乘加运算高出16倍。它支持INT8、FP8、BF16等主流AI数据格式，并计划适配PyTorch、TensorFlow等机器学习框架，目标是为从笔记本电脑到超级计算机的全场景提供高效的矩阵加速支持。
IT之家·人工智能AI 评分6161 谷歌确认将开始向部分客户交付 TPU 硬件设备
谷歌母公司Alphabet在财报会议上确认，将开始向部分精选客户交付TPU硬件设备，供其部署在自有数据中心，这为TPU系列AI硬件开辟了云端算力之外的新变现模式。谷歌近期发布了第八代TPU新品TPU 8t和TPU 8i，性能较上代大幅提升。相关协议预计在今年晚些时候带来少量收入，大部分收入将在2027年实现。此外，Google Cloud在2026年第一季度营收首次突破200亿美元，同比增长63%。
Baidu Inc.@Baidu_Inc精选AI 评分6565引用ERNIE for Developers@ErnieforDevs隆重推出 ERNIE 5.1 Preview —— 现已上线！🚀 在 @arena 的 Text Arena 中全球排名第 13，在中国实验室中排名第 1。 在以下领域跻身全球前 10： 📐 数学 —— 第 9 ⚖️ 法律与政府 —— 第 1 💼 商业、管理与金融运营 —— 第 4 💻 软件与 IT 服务 —— 第 7 基于 ERNIE 5.0 强大的预训练基础构建，ERNIE 5.1 Preview 将总参数量压缩至前代的约 1/3，激活参数量压缩至约 1/2，同时仅使用同类模型约 6% 的预训练成本 —— 在其规模下实现了领先的基础性能。 立即体验 👉 https://ernie.baidu.com/ 更多新模型即将推出 —— 敬请期待 👀
推荐理由：ERNIE 5.1 Preview 把参数量砍到前代的 1/3，性能还稳住了，6% 的训练成本近乎白嫖，国产模型打榜的意义不大，但这效率提升对做应用落地的人来说是实打实的好处。
IT之家·人工智能AI 评分6464 万亿级综合旗舰模型：蚂蚁集团百灵大模型开源 Ling-2.6-1T
蚂蚁集团正式开源百灵大模型万亿级综合旗舰模型 Ling-2.6-1T。该模型不单纯追求参数规模，而是通过MLA与Linear Attention混合架构等创新，系统性优化智效比与复杂任务执行能力。其核心是在更低Token开销下实现强综合智能，减少对冗长思考链的依赖，并在AIME26、SWE-bench Verified等多个执行类基准测试中达到开源SOTA水平。模型具备完整的工程落地能力，并与主流Agent框架兼容，旨在成为可部署于真实业务系统的底座。为方便体验，其在OpenRouter平台的免费API调用服务将延期一周。
IT之家·人工智能AI 评分5252 苹果发布 AI 框架 LaDiR：突破单一思维，并行探索多条推理路径
苹果公司与加州大学圣迭戈分校团队联合发布名为LaDiR的AI推理框架。该框架并非新模型，而是一个可叠加于现有大语言模型之上的通用架构，其核心创新在于结合扩散模型与自回归模型。在推理阶段，LaDiR利用扩散过程并行探索多条独立路径，并通过多样性鼓励机制防止思维过早收敛，最后以自回归方式输出最终答案。测试显示，该框架在LLaMA 3.1 8B等模型上，于数学推理、代码生成及谜题规划任务中，其准确率和可靠性均优于现有通用方法。
公众号：智谱AI 评分5858 智谱披露GLM-5系列Coding Agent推理“Scaling Pain”及修复
智谱披露GLM-5系列在超大规模Coding Agent推理中遭遇乱码、复读等异常，源于PD分离架构下KV Cache复用竞态及HiCache加载时序缺失两个底层Bug。修复后异常率降至万分之三以下，并推出KV Cache分层存储方案LayerSplit，Cache命中率90%时吞吐提升10%-132%，相关修复已提交至SGLang社区。
公众号：智谱AI 评分4747 Scaling Pain：智谱GLM超大规模Coding Agent推理实践
智谱GLM的超大规模Coding Agent推理实践，聚焦Scaling Pain（扩展痛点）及其应对经验。
Anthropic@AnthropicAIAI 评分5151科学博客上新：我们给Claude出了99个分析真实生物学数据的难题，并将其表现与专家小组进行了比较。 在23个问题上，专家们被难住了。我们最新的模型解决了其中大约30%——以及其余的大部分问题。
Ant Ling@AntLingAGIAI 评分5555引用Novita AI@novita_labsToday, Ling-2.6-1T is officially open-sourced (from @AntLingAGI) 1T total parameters · 63B active parameters Built for real production: Token-efficient and designed to make testing, deployment, and customization easier for developers. From Ling-2.6-flash → 1T scale. From fast inference → stronger reasoning. Ready to build. 🧠⚡
- Ant Ling@AntLingAGIAI 评分5353
谢谢Adina~ Token效率是引领下一阶段的关键特性。我们需要明智且高效地消耗token，才能使整个行业可持续发展。🤗🤗
引用Adina Yakup@AdinaYakupLing-2.6-1T just dropped by @AntLingAGI , one day after Ling 2.6 Flash. Both optimized for the same goal: usable intelligence at the lowest token cost 💰 ✨ MLA + Linear Attention hybrid for long context efficiency ✨ Answers without verbose CoT, lower token cost ✨ 1T / 63B active ✨ MIT license
- Ant Ling@AntLingAGI精选AI 评分7272引用LMSYS Org@lmsysorg
👏 认识来自 @AntLingAGI 的 Ling-2.6-1T，这是一款万亿参数旗舰即时指令模型，专为大规模下的快速执行与高效率而打造。Day-0 支持现已在 SGLang 上线！ 1️⃣ 快速思考方式：比同类模型便宜约 4 倍，质量毫不妥协 2️⃣ 在 AIME26 与 SWE-bench Verified 上达到 SOTA 3️⃣ 专为高级编程、复杂推理与大规模智能体工作流而打造 4️⃣ 万亿参数能力，即时模型延迟 Cookbook：https://docs.sglang.io/cookbook/autoregressive/InclusionAI/Ling-2.6
推荐理由：万亿参数做到即时延迟和4倍成本优势，还有SWE-bench SOTA，这份承诺如果兑现，会改变大规模Agent部署的性价比计算。值得去cookbook跑一下验证。
Dwarkesh Patel：Podcast & Blog精选AI 评分5555 Reiner Pope – 大语言模型训练与服务的数学原理
文章揭示了支撑大语言模型（如GPT、Claude、LLaMA）训练与服务的核心数学框架。通过剖析关键方程，可以逆向推导出顶尖AI实验室在模型规模扩展、计算资源分配及服务优化方面的核心策略与实践。这些数学原理不仅解释了模型性能随参数和数据量增长的规律，也量化了训练成本与推理效率之间的权衡，为理解当前大语言模型的发展路径提供了底层逻辑。
推荐理由：Reiner Pope 把训模型背后的数学摊开讲，听完能反推出大厂在做什么，做训练的人不可多得的一课。
Tomasz Tunguz 博客精选AI 评分5757 AI推理市场的专业化分化
AI推理市场正快速分化，各模态如文本、图像、视频和音频发展出独立推理技术栈。自ChatGPT发布后，NVIDIA数据中心收入三年内增长17倍，凸显市场爆发。分化根本原因在于工作负载差异：图像视频生成需高计算力，长上下文消耗更多内存，边缘设备则受功耗限制。市场按延迟分为实时、近实时和批量三层；按模态分为文本、图像视频音频；按部署分为云端和边缘。Hugging Face上已有超9万个图像生成模型，整个AI推理市场规模预计约1000亿美元，这种专业化趋势正为各细分领域创造领导者机会。
推荐理由：Tomer 把推理市场跟数据库市场做类比，碎片化的逻辑讲得很透，做 AI 基础设施的朋友能直接用来梳理自己的赛道，普通人知道这么回事就行。
The Decoder：AI NewsAI 评分4646 OpenAI 研究人员解释为何数学是通往 AGI 之路
OpenAI 研究人员在播客中指出，数学能力已成为衡量人工智能向通用人工智能（AGI）发展进程的关键测试。AI 模型在短短两年内，已从掌握小学算术进步到能应对奥林匹克竞赛乃至研究级别的数学问题。这种在复杂数学推理上的快速突破，被视为模型泛化能力和抽象思维提升的重要标志，是迈向 AGI 的核心路径之一。