推薦理由:LingSante-3.1-flash在四項醫療與通用基準上領先多個模型,呈現醫療推理、病歷查詢與工具使用能力的比較結果。
#推理
RSS 訂閱#推理
RSS
Rohan Paul@rohanpaul_ai精選品質評分7878MarkTechPost精選品質評分7878 NVIDIA 發布 Alpamayo 2 Edge,讓車內 AI 模型規劃行車路線
自動駕駛車要在車上看懂周圍畫面、規劃路線,還得在有限時間內完成。NVIDIA 發布 Alpamayo 2 Edge,讓模型讀取 6 個攝影機的畫面,產生最長 6.4 秒的路線規劃,也能用文字說明判斷;遇到一般路況時,則會略過完整推理,減少運算量。NVIDIA 表示,搭配 FP8 和 TensorRT 的設定,在 DRIVE AGX Thor 上每次規劃約需 160 到 190 毫秒。MarkTechPost 引述的測試顯示,它在 AlpaSim 模擬中每發生一次責任事故前可行駛 15.15 公里;文章也指出,其他 GPU 架構尚未驗證。
推薦理由:Alpamayo 2 Edge 把駕駛影像理解與路線規劃放到車內運算,文中也比較了它在模擬駕駛和問答測試中的表現。
Dev.to Top Tech品質評分7373 GPT-6.2 Astra、Sol 與 Claude Opus 5.5 評測:Sol 在 SimpleBench 的分數低於 6.1
換上新模型後,分數變好、價格不變,聽起來很合理,但 SimpleBench 的結果給出不同訊號。作者整理排行榜、廠商公佈的數字和價格,指出 GPT-6.2 Sol 得分 69.9%,低於同價的 GPT-6.1 Sol 的 82.9%;GPT-6.2 Astra 得分 77.3%,Claude Opus 5.5 則是 88.4%。作者沒有親自跑測試,數字來自排行榜和廠商資料;他也提醒,SimpleBench 主要測容易被細節誤導的題目,不等於所有工作表現。文章建議先用自己的工作內容比較新舊模型,並以完成一項工作的總成本來衡量價格。
The New Stack精選品質評分7777 GPT-6.2 Astra 和 Claude Fable 5.2 實測:準確度接近,費用與速度差很多
選模型時,答得準不準只是其中一件事,花多少錢、等多久也會影響實際使用。作者用月底帳務、帳務程式修正和實驗室資料分析三種工作比較 GPT-6.2 Astra 與 Claude Fable 5.2;兩者在帳務和資料分析都拿滿分,Fable 5.2 在程式測試多拿 2 分。整體來看,Astra 花費較低、完成較快,但在程式測試中漏掉一條會影響顧客帳單的規則。作者建議先讓 Astra 重做幾次並比對結果,有錯誤或差異時,再用 Fable 5.2 複核。
推薦理由:三種工作測試顯示兩個模型的準確度接近,但花費和完成時間差距很大,能幫助讀者依錯誤代價選擇模型與複核方式。
The Decoder品質評分6161 Artificial Analysis 比較 GPT-6.2 Astra、Sol 與 Claude 的回答風格
AI 模型回答得更精簡,不一定代表回答更可靠;不同模型也可能用不同方式表達不確定。Artificial Analysis 比較 GPT-6.2 Astra、Sol 和 Claude Fable 5.2、Opus 5.5,發現 Astra 和 Sol 的回答變短,也更快切入問題;Claude 在透明度和組織方式的分數較高。這些分數是和其他受測模型相比的風格排名,不是答案正確率;透明度分數較低,也不代表模型更常答錯。
Linus ✦ Ekenstam 🔜 Shenzhen@LinusEkenstam品質評分4848
Dev.to Top Tech精選品質評分8181 Inkling 2 Mini 如何用重複運算,讓 26.4B 引數模型裝進約 20GB
模型引數多,常會需要更多記憶體;Inkling 2 Mini 用一種重複運算的方法,讓模型可以裝進約 20GB。它會讓中間幾層重複處理同一份資料,因此用同一批引數多算幾次,而不是一直增加新引數。模型共有 26.4B 引數,每個 token 只啟用 3.4B,文章說可在 32GB Mac 上執行。它在 SWE-bench Verified 得到 79.2%,但這些成績來自團隊自己的測試,還沒有獨立重現;文章也提到,不同來源對重複運算的次數說法不一。
推薦理由:文章以 Inkling 2 Mini 的引數規模、記憶體需求與程式基準比較,說明重複使用部分層如何用更多運算換取較小模型,並交代測試仍來自實驗室。
Together AI@togethercompute精選品質評分6464
推薦理由:Together AI 用修正 Tornado 程式碼的案例呈現 Qwen4 Max 的實際用途,並列出測試結果與單次請求費用。
The New Stack品質評分6464 Nvidia 用 Droid 找出 Nemotron 3 Ultra 的錯誤,Terminal-Bench 2.0 分數升至 49%
AI 助理寫程式時,可能會用錯工具、填錯引數,遇到錯誤也不會停下來修正。Nvidia 把 Factory 的 Droid 放進隔離網路,記錄這些可重現的失敗,再用約 20,000 筆資料訓練 Nemotron 3 Ultra。訓練方法 PivotRL 著重改善任務中的關鍵決定;Factory 表示,Nemotron 3 Ultra 的 Terminal-Bench 2.0 分數從 38.5% 升到 49%。不過,Factory 尚未公佈測試來單獨確認這種訓練對分數提升的影響,也沒有提供工具操作錯誤改善前後的資料。
MarkTechPost精選品質評分8484 Thinking Machines 推出 Inkling 2 Mini,可在 32GB Mac 上執行
想在一般電腦上跑大型模型,常會卡在記憶體不夠。Thinking Machines 推出 Inkling 2 Mini,模型有 26.4B 個引數,檔案約 20GB,會重複運算中間層,因此能在記憶體 32GB 以上的 Mac、NVIDIA DGX Spark 或其他 VRAM 32GB 以上的 GPU 上執行,也能讀取文字和圖片。Thinking Machines 自行回報,它在 SWE-bench Verified 得分 79.2%,但在知識問答和多輪指令測試上較弱;不同廠商的測試設定可能不同,分數不宜直接當成公平比較。
推薦理由:Inkling 2 Mini 把中間層重複運算,讓約 20GB 的模型能在 32GB Mac 上執行;文中也列出它在程式開發與知識問答上的強弱。
Dev.to Top Tech品質評分7171 NVIDIA 推出 Nemotron-Labs-Sigma 連續擴散語言模型
一般語言模型會一個 token 接一個 token 寫文字,Nemotron-Labs-Sigma 則改成分批生成,每批處理 64 個 token,經過多次去噪後再接著產生下一批。這個模型家族共有 14 個版本,分為 3B 和 8B,提供不同用途與運算步數的版本;權重可下載,授權也允許商業使用。NVIDIA 表示,模型可在自有裝置上執行,並公佈了速度和測試成績;不過這些數字來自 NVIDIA 內部評測,尚未經獨立驗證。文中也指出,8B 指令版在 AIME25 的成績較弱,顯示它在競賽數學方面仍有差距。
The Decoder精選品質評分7777 Thinking Machines 推出 Inkling 2 Mini,讓模型多想幾步也少寫文字
有些模型得寫出更多文字才能多做推理,Thinking Machines 推出的開放模型 Inkling 2 Mini,改用重複運算部分層的方式,在不多生成文字的情況下延長內部推理。它能處理文字和圖片,並可在記憶體至少 32 GB 的 Mac 上本機執行。Artificial Analysis 的 Intelligence Index 給它 20 分,與 Qwen3.8 27B 同分;Thinking Machines 表示,它在程式開發測試中也有不錯的表現。
推薦理由:Inkling 2 Mini 透過重複運算部分層來延長內部推理,文章也比較了它在程式測試、速度與成本上的表現。
Dev.to Top Tech品質評分4949 DaisyRose-27B 如何只靠強化學習訓練 AI 程式設計助理,取代 SFT
許多 AI 程式設計助理靠範例學寫程式,遇到終端機裡複雜的執行錯誤時,可能就不會處理。RadixArk 和 Eigent AI 訓練了 DaisyRose-27B,讓它在沙盒裡實際執行指令、觀察結果、找出錯誤再修改;訓練過程不使用 SFT 或知識蒸餾。舉例來說,它能檢視錯誤訊息和程式執行紀錄,試著修正解法。文章列出的 Terminal Bench 4.1 成績,從基礎模型的 5.6% 提升到 12.0%。這顯示讓模型從實際操作結果中學習,可能有助於它處理程式問題。
MarkTechPost精選品質評分7979 Baseten 推出 Bison-1 和 Groundhog-1 決策模型
有些工作需要 AI 判斷是否符合條件、從選項中挑答案,或給出分數,不必另外生成一段文字。Baseten 推出 Bison-1 和 Groundhog-1,兩款模型都能讀取文字與圖片,並處理最多 128k tokens 的內容;Bison-1 在 Artificial Analysis Decision Index v2.1 得 76 分,Groundhog-1 目前還沒有正式分數。兩者也可透過 Baseten API 使用,或下載 Hugging Face 上的 BF16 權重;文章列出的輸入價格分別是每 1M tokens $0.10 和 $0.035。
推薦理由:兩款模型把可處理的上下文拉長到 128k,並支援圖片輸入;評測分數、價格與部署規格可用來比較不同決策任務的需求。
Dev.to Top Tech精選品質評分7676 Gemini 4 Hydrogen 和 GPT-6.1 Terra 評測:Hydrogen 在 9 項共同基準中贏了 8 項
挑模型時,分數較高的選項也可能比較貴,而且公開測試不一定符合自己的工作。作者比較 Gemini 4 Hydrogen 和 GPT-6.1 Terra 在 Google 模型卡上都有分數的 9 項基準,Hydrogen 贏了 8 項,Terra 則在科學類終端機測試勝出;這些結果由 Google 執行,兩款模型的測試條件可能不同。依文中列出的標準 API 費率,輸入 2,000 萬、輸出 500 萬 token,每月費用分別是 $67.50 和 $45.00。文章建議用自己的工作測試分數、費用和成功率,再決定怎麼選。
推薦理由:文章把兩款模型的公開基準分數、每百萬 token 費用與月用量試算放在一起,呈現選擇時效能和成本的取捨。
hackernews100精選品質評分8686 Inkling 2 Mini 發布,可在筆電上執行的開放權重模型
模型要處理需要多步推理的工作,常得花更多時間或寫下更多推理內容。Inkling 2 Mini 會把模型中間的部分重複運算三次,作者表示,這讓它能用較少的 token 處理程式開發等任務;模型總引數為 26.4B,記憶體佔用約 20GB,也能在筆電上離線執行。它在多項同尺寸開放權重模型的程式與搜尋測試中表現突出,權重已公開;不過,多輪聊天和需要遵守許多限制的指令仍是弱項。作者也測試了重複運算對推理內容監看的影響,初步結果沒有顯示監看能力明顯變差。
推薦理由:Inkling 2 Mini以反覆運算的架構提升推理能力,文中也比較了它在程式任務、長篇推理與監看能力上的表現。
ARC Prize@arcprize品質評分4646Hugging Face Blog精選品質評分8383 Hugging Face 與 Thinking Machines Lab 推出 Inkling 2 Mini,主打本機使用
本機執行大型模型時,模型大小、回答速度和能力常得互相取捨。Hugging Face 與 Thinking Machines Lab 推出 Inkling 2 Mini,這款模型能讀文字和圖片,支援 1M-token 上下文視窗;它讓 12 層模型重複運作三次,用較少的實體層數完成更多運算。文章展示了它在本機寫程式、重畫《星夜》和製作分帳網站的成果,也說明如何透過 transformers、llama.cpp 和 MLX 執行。作者表示,它在 48 項基準中的 32 項領先文中列出的其他模型;這些結果來自 Hugging Face 的測試。
推薦理由:文章以架構說明和實作展示呈現 Inkling 2 Mini 的本機使用方式,也比較它在多項基準上的表現,能看出模型設計與實際應用之間的連結。
aihot精選品質評分8181 Thinking Machines Lab 發布可在筆電執行的開源權重模型 Inkling 2 Mini
想在筆電上跑 AI 模型,常會遇到模型太大、速度不夠快的問題。Thinking Machines Lab 發布開源權重模型 Inkling 2 Mini,讓模型的中間層對每個 token 重複運算三次,增加推理計算;模型總引數量為 26.4B,記憶體約需 20GB,官方表示可在記憶體至少 32GB 的 Mac 上執行。原文列出多項程式開發與工具使用測試,也說明模型在多輪對話和大量指令限制的測試中較弱。迴圈設計還會讓更多推理留在模型內部,原文的初步測試沒有看到監控能力隨迴圈增加而明顯下降。
推薦理由:迴圈架構讓模型在每個 token 上多做幾輪運算,原文也交代本機硬體門檻與推理監控實驗,可用來理解這種設計的取捨。
Artificial Analysis@ArtificialAnlys精選品質評分7575推薦理由:Inkling 2 Mini 把模型能力與啟用引數量放在同一張圖上比較,並提供模型大小、文字與圖片輸入及上下文視窗資訊,可用來瞭解它的定位。
🚨 AI News | TestingCatalog@testingcatalog品質評分6363
vLLM@vllm_project品質評分3838
MarkTechPost品質評分6868 RadixArk 推出 DaisyRose-27B,主打強化學習訓練的程式開發模型
RadixArk 推出開放權重模型 DaisyRose-27B,從 Qwen3.8-27B 接續訓練,只用強化學習,沒有使用監督式微調或知識蒸餾。它主要用來處理程式開發任務,支援文字和圖片輸入,採 Apache 2.0 授權。RadixArk 回報,Terminal Bench 4.1 的 pass@1 從基礎模型的 5.6 升到 12.0;另外六項公佈的基準也都高於基礎模型。不過,這些分數都是 RadixArk 自行回報,且在 HLE 的進步只有 0.4。模型提供多種精度版本,部分版本可在一張 GPU 上執行。
ARC Prize@arcprize品質評分5252
MarkTechPost精選品質評分7878 NVIDIA 推出 Nemotron-Labs-Sigma,包含 14 個連續擴散語言模型檢查點
文字生成模型通常一步步預測文字,Nemotron-Labs-Sigma 則用連續擴散的方式生成文字。NVIDIA 推出 3B 和 8B 兩種大小、共 14 個開放權重檢查點,包含基礎、指令、精簡步數和自我推測版本。NVIDIA 自行評測中,Sigma-8B 基礎版在六項測試平均為 71.16,略高於 NLD-8B 的 70.22;自我推測版在指定測試環境下,平均速度比自回歸解碼快 3.46 倍。模型需要支援 bfloat16 的 NVIDIA GPU,基礎版上下文長度為 4,096 個 token。
推薦理由:Sigma 把文字生成放進連續的向量空間,文章也比較了它與離散擴散及自回歸模型的評測結果,呈現新做法的表現差異。
Dev.to Top Tech品質評分6969 Google 推出 Gemini 4 Neon,主打兼顧推理能力與價格
挑模型時,小型款速度快、價格低,大型款能力強但更貴,中間款能不能划算,得看價格和用途。Google 在 11 月 18 日推出 Gemini 4 Neon,定位介於 Hydrogen 和 Carbon 之間,主打複雜程式開發、分析推理和企業工作流程。Neon 每百萬個輸入 token 收 $3、輸出 token 收 $15;Google 表示,在預設的高思考等級下,每項任務比 Carbon 便宜 32%,但這是 Google 提供的比較數字,尚無外部測試重跑。Gemini 的 Tasks 現在也能使用 Neon,處理多步驟工作。它將提供給部分付費方案與企業使用者,沒有免費方案。
Dev.to Top Tech精選品質評分7979 Hy4 flash 自架指南:220B 引數模型的顯示卡記憶體與授權怎麼看
220B 引數的 Hy4 flash 看起來很大,但每個 token 實際啟用的引數約為 12B;自架時,權重檔和長上下文的記憶體需求才是主要考量。作者拆解模型結構與檔案大小,估算在 1M-token 上下文下,若 KV cache 儲存壓縮後的資料,每條序列約需 6.9 GB;這是作者的推算,實際用量會依快取方式和精度而變。官方 FP8 配方使用 8 張 GPU,授權也有條件:以 API 等方式提供遠端服務,達到指定營收或月活門檻時,需要另取得書面授權。
推薦理由:文章把 Hy4 flash 的權重、KV cache 與授權條件拆開估算,也標出哪些是作者推算、哪些是騰訊提供的數字,能幫讀者先判斷自架成本與服務限制。
ModelScope@ModelScope2022精選品質評分8383推薦理由:WeMM-Video 把影片畫面、對話與環境聲音放在同一條時間線理解,報告也比較了不同規模模型在多項影音基準上的表現。
BlockTempo 動區動趨品質評分7171 OpenAI 強化 GPT-6.2 防蒸餾,隱藏推理提取成功率降至 1% 以下
AI 助理如果要接著長對話工作,開發者可能想改寫舊訊息或整理成摘要,但這些變動會讓先前的推理無法沿用。OpenAI 說明,GPT-6.2 的推理內容會繫結之前的對話;改寫或插入舊訊息後,API 會移除受影響的推理,模型可能得重新計算,增加 token 用量、成本與等待時間。OpenAI 以六個攻擊模型進行紅隊測試,GPT-6.2 Astra 和 Sol 的隱藏推理提取成功率,在先前輪次與當次請求兩種測試中都低於 1%。開發者可保留原對話並往後追加,也能透過 API 回傳資訊和用量儀錶板檢視推理為何遭移除。
Dev.to Top Tech品質評分6060 Gemini 4 四款模型怎麼選?比較推理、寫程式和長文本表現
挑模型時,只看一個總分,可能看不出它在自己的工作上好不好用。作者整理 Gemini 4 Argon、Carbon、Hydrogen 和 Neon 的公開測試,沒有重新跑測試;結果顯示,同樣是高推理設定,Neon 和 Carbon 的總分都是 60,但估計完成加權任務的時間分別是 14.8 分鐘和超過半小時。長文本測試也顯示,模型能讀進很多文字,不代表都同樣會追蹤內容之間的關係。文章提醒,寫程式的結果還會受工具、重試方式和驗收標準影響,挑模型時應用自己的任務測試,並把花費、完成時間和通過驗收的結果一起比較。
Dev.to Top Tech品質評分5252 Gemini 4 Neon 價格和生成測試怎麼比?
選模型時,只看 Token 單價,可能猜錯哪款模型做一次任務比較省錢。這篇文章整理 Carbon、Neon 和 Hydrogen 的價格與推理檔位,也比較三款模型在同一個圖形生成題目中的耗時和費用。Carbon 的優惠價到 2026 年 11 月 30 日,12 月 1 日起恢復較高的常規價格;測試中,Neon 的單次費用有時低於 Carbon,原因是它用了較少 Token。這只是單一題目的示例,不能用來判斷模型整體能力或穩定速度。
Artificial Analysis@ArtificialAnlys品質評分4343
Dev.to Top Tech品質評分5858 Gemini 4 四款模型怎麼選?Hydrogen 回答較快,Neon 價格最高
Gemini 4 的四款模型速度、價格和擅長的工作不同,選錯可能讓程式跑得慢,也多花費用。作者用平臺近 30 天的實際呼叫比較速度與價格:回答長度在 1,500 到 4,000 個 token 時,Hydrogen 中位數為 23 秒,Argon 為 44 秒、Carbon 為 49 秒;Neon 每 1M 個輸入 token 收 $3.00、輸出 token 收 $15.00,是四款中最貴的。作者也用六項任務測試 Neon,把思考程度從預設的 high 調成 low,費用從 24.7 美分降到 12 美分,37 項檢查都通過。文中建議日常大量工作先用 Hydrogen,較難的問題再交給其他模型;這些結果來自作者的平臺和測試,不能直接當成所有工作都適用的排名。
The Decoder精選品質評分8484 Google DeepMind 推出 Gemini 4 Neon,速度更快、定價更低
Google DeepMind 推出 Gemini 4 Neon,作為 Gemini 4 Carbon 之外的新選擇。Neon 的文字、圖片、音訊和影片上下文視窗可容納一百萬個 token,生成速度接近 Carbon 的兩倍,標準定價也低 25%。不過,Neon 每項任務會多用約 15% 的輸出 token,因此省下的費用來自每 token 單價較低。報導也整理了它在程式開發、檔案和簡報測試中的表現;不同測試與推理設定下的結果並不相同。
推薦理由:Neon 與 Carbon 的比較涵蓋速度、價格和多項測試,也指出省錢來自較低的每 token 定價,而非較少的輸出 token。
Tom’s Hardware AI & Computing精選品質評分7676 三張二手 Nvidia V100 跑 Qwen 3.6 35B,長上下文仍有每秒 72.7 個 token
想在家用電腦跑大型語言模型,買新顯示卡可能很花錢。這篇評測用三張二手 Nvidia V100 組成總價 $1,042 的主機,測試 Qwen 3.6 35B;在 4K 上下文時,每秒約產生 100 個 token,到了 128K 仍有 72.7 個。作為比較,三張 P100 在相同條件下只有 40.2 個,V100 每次測試的 GPU 耗電也約是 P100 的一半。作者提醒,各臺裝置使用的執行工具不同,因此比較數字只能大致參考。
推薦理由:這組測試比較不同退役 GPU 在長上下文下的速度與耗電,也列出自組成本,可用來評估舊卡能否應付本機模型推論。
ModelScope@ModelScope2022精選品質評分6666推薦理由:DaisyRose-27B 在多項終端機與程式開發評測中優於基礎模型,呈現強化學習後訓練對長時間任務的影響。
Dev.to Top Tech精選品質評分7777 Gemini 4 Neon 開發者指南:怎麼看成本、上下文與推理
選模型時,只看每次呼叫的價格,可能看不出完成一項工作的實際花費。Google 推出的 Gemini 4 Neon 可接收文字、圖片、音訊、影片和 PDF,並有四種思考等級;輸入、思考和輸出共用上下文視窗。文章建議用自己的任務測試不同等級,記下答案是否正確、重試花費和完成時間,再和目前使用的模型比較。Google 公佈的基準結果只反映特定測試環境,作者提醒,工具、指令和測試方式也會影響結果。
推薦理由:文章把 Gemini 4 Neon 的單次呼叫費用和完成任務的總成本分開比較,並整理出用自家工作測試模型的做法。
Dev.to Top Tech品質評分5151 RadixArk 發布 DaisyRose-27B,讓 Qwen3.8-27B 的程式測試分數翻倍
訓練大型語言模型常要花很多資源,RadixArk 改用免費的 Qwen3.8-27B 做進一步訓練,推出 DaisyRose-27B。團隊花 18 天,用 1,200 個挑選過的任務訓練模型;在 Terminal-Bench 4.1 的測試中,通過率從 5.6% 升到 12.0%。RadixArk 表示,模型在它測試的其他基準也都勝過原版 Qwen。DaisyRose-27B 可免費使用和修改,不過 12.0% 代表它仍會失敗大多數測試任務,而且這些結果來自 RadixArk 自行測試。
Simon Willison品質評分5858 Google 推出 Gemini 4 Neon,價格與其他版本的排序會改變
Google 推出 Gemini 4 Neon,但 Gemini 4 系列的價格因折扣而不容易比較。目前 Neon 每百萬個輸入 token 收 $3、輸出 token 收 $15;Carbon 折扣期間是 $2 和 $10,Hydrogen 則是 $1.50 和 $7.50。Carbon 預計在 12 月 1 日恢復原價,屆時價格排序會改變。作者也用低、中、高三種推理設定比較 Neon 產生的鵜鶘圖片,並展示一段用 Neon 製作、讓 Yonkers 變成巨大機甲並在紐約市街道行走的動畫。
BlockTempo 動區動趨品質評分7272 Google 推出 Gemini 4 Neon,Pro 訂閱者也能使用
Google 推出 Gemini 4 Neon,讓 Pro 訂閱者也能使用中階模型;它在第三方綜合指數拿下 61 分,比旗艦 Carbon 的 60 分高 1 分。不過 Neon 的分數使用最高思考檔位,Carbon 則是較低檔位,不能直接看成 Neon 全面勝出。Google 公佈的 19 項測試中,Neon 有 16 項領先 Claude Opus 5.5 和 GPT-6.2 Sol,但這些是 Google 自己挑選與測試的結果,還沒有獨立測試;在三家共用的軟體工程測試環境中,Neon 的成績也和 Sol 接近。