跳到正文

#推理

RSS
今日 9 則
11月7日週六
  1. ARC Prize70

    ARC Prize 公佈 Inkling 2 Small 在 ARC-AGI-1 與 ARC-AGI-2 的 Verified 評測分數及每題成本。 ARC-AGI-2:81.7%,$0.27/task。 ARC-AGI-1:96.5%,$0.08/task。 ARC Prize 表示,Inkling 2 Small 的表現超越其評測過的所有開放權重模型;Thinking Machines 計畫於下週釋出完整權重。 原文連結:https://x.com/arcprize/status/2118788850742911073

    推薦理由:ARC Prize 提供 ARC-AGI-1 與 ARC-AGI-2 的分數及單題成本,可比較 Inkling 2 Small 在兩項基準上的表現與成本。

11月6日週五
  1. Artificial Analysis71

    Thinking Machines 發布 Inkling 2 Small,在 Artificial Analysis Intelligence Index v5.0.1 得分 31,目前以專有模型形式透過 Tinker 與 Tinker Playground 提供,權重預計日後以 Apache 2.0 釋出,日期尚未確認。

    推薦理由:Inkling 2 Small 在 AA Intelligence Index 得分提升的同時,輸出 token 數與單次任務成本也增加;各項基準差異可用來比較其代理任務、程式編寫與研究能力。

  2. Dev.to Top Tech68

    提示工程框架實務者手冊

    提示工程框架 本手冊提供結構化的提示工程方法,協助實務者將原型快速轉為可上線的系統,並強調驗證、回溯與模組化設計。• 核心框架分為結構框架、推理技術與系統模式,涵蓋 RTF、CoT、CoVe 等多種組合。

11月5日週四
  1. aihot68

    Artificial Analysis 評測騰訊混元 Hy4,Intelligence Index v5 得分 35

    Artificial Analysis 評測騰訊混元 Hy4,其在 Intelligence Index v5 得分 35,與 Grok 4.7 (xhigh) 持平,較 Claude Haiku 5.5 (max) 低 1 分。

    推薦理由:Artificial Analysis 的評測呈現 Hy4 在AI 助理程式設計、知識推理與幻覺率上的不同表現,並提供同類模型的成本比較,可用來理解能力與價格的取捨。

  2. Hacker News (official RSS)82

    Baidu 發布 ERNIE-5.5-Flash-Base 基礎模型

    Baidu 發布 ERNIE-5.5-Flash-Base,這款尚未經過中期訓練或後訓練的 MoE 基礎模型,旨在提供開放的後續訓練起點。

    推薦理由:文章比較 ERNIE-5.5-Flash-Base 與三款相近規模基礎模型的多項基準,呈現其推理、程式與長上下文表現,以及各項評測的差異。

  3. Artificial Analysis58

    Artificial Analysis 比較 100 美元預算下,Opus 5.5、DeepSeek V4.1 Flash 1017 與 GPT-6 Luna 可完成的 Intelligence Index 任務數。 Opus 5.5:medium reasoning effort 可完成 40 項任務,max effort 可完成 10 項。 DeepSeek V4.1 Flash 1017:max effort 可完成 166 項任務。 GPT-6 Luna:medium effort 可完成 2,500 項任務。 任務包含多種任務型別。https://t.co/fxgRJZzuTv

  4. Rohan Paul77

    Axiom Math 將代數幾何參考書 Stacks Project 轉為 Lean 程式碼,讓電腦逐行檢查其中的邏輯,並建立免費的開源證明庫。 協作方式:Axiom 讓多個AI 助理分別負責架構、核心定義與個別證明;每項完成的證明都由 Lean 檢查,並連結至原文與相依專案。 可重用內容:數學家或 AI 模型可重用已驗證的定義與定理,電腦也會標示不成立的推導步驟。

    推薦理由:Axiom Math 將代數幾何參考書轉為 Lean 可逐行檢查的程式碼,說明形式化證明如何累積成可重用的知識庫。