跳到正文

推理能力

模型推理能力的進展:思維鏈、推理模型、數學與邏輯基準的突破與爭議。

最新精選

第 141–160 條 · 共 257 條
11月13日週五
  1. Sundar Pichai87

    Google 推出 Gemini 4 Hydrogen,主打日常任務、程式開發與AI 助理工作流程的速度和效率。 速度與思考層級:相較於 3.8 Flash,完成任務的速度快 2.5 倍;提供 4 種思考層級,使用者可依任務所需的推理深度決定等待時間與費用。 推出範圍:今日開始向所有層級的 Google AI Studio、Gemini API、Gemini App、Search 使用者,以及 Google Antigravity 中的 Google AI Pro 和 Ultra 付費訂閱者推出。

    推薦理由:相較於 3.8 Flash,Gemini 4 Hydrogen 完成任務的速度提升 2.5 倍,並提供四種思考層級,呈現速度與推理深度的取捨方式。

  2. Apple Machine Learning Research62

    Apple 研究推導語言模型對齊的理論極限,發現 PPO 與 GRPO 表現仍有差距

    Apple Machine Learning Research 推導固定 KL 散度預算下語言模型可達成的最高獎勵提升,並在安全與摘要任務中比較不同對齊方法與理論上限。

    推薦理由:研究推導固定 KL 預算下的對齊獎勵上限,並比較 best-of-N、PPO 與 GRPO,呈現現有方法距理論界線的差距。

11月12日週四
  1. Dev.to Top Tech76

    Google 推出 Gemini Decision 1,為工單與潛在客戶提供分類評分 API

    Google 推出 Gemini Decision 1(gemini-decision-1),這款 API 可在單次請求中為多個問題評分,回傳選項機率與信心分數,供工作流程進行分類與分流。

    推薦理由:Gemini Decision 1 將分類與評分整合在單次請求中,並提供信心分數,可用來判斷哪些工單或潛在客戶適合自動分流。

  2. MarkTechPost77

    Google 推出 Gemini Decisions API 與 Gemini Decision 1,輸入價格為每百萬 token $0.10

    Google推出由 Gemini Decision 1 驅動的 Gemini Decisions API,可對共用輸入中的最多 1,000 個問題評分,回傳校準機率,且不產生文字輸出。

    推薦理由:Gemini Decision 1 以校準誤差和多項基準呈現其決策能力,也列出價格與競品差距,可供評估代理程式中的分支判斷需求。

  3. The Decoder82

    Google 推出 Gemini Decisions API 與 Gemini Decision 1,單次處理 1,000 個問題

    Google DeepMind 推出 Gemini Decisions API,供快速處理是非題、選擇題與量表評分;底層模型 Gemini Decision 1 單次可處理 1,000 個獨立問題,並在 150 至 250 毫秒內回傳選項機率與信心值。

    推薦理由:Gemini Decision 1 將封閉式判斷整合為單次批次處理,並提供延遲、價格與校準誤差資訊,可用來比較此類 API 的適用情境。

11月11日週三
  1. The Decoder83

    Anthropic稱AI將Claude移植至AMD GPU的時間從數月縮短至三天

    Anthropic表示,使用自家模型 Mythos 協助移植後,Claude 在 3 天內便能於 AMD GPU 上執行,幾乎不需人工介入。 - 移植成果:Anthropic稱 Mythos 撰寫或移植了近 100% 的核心程式碼;相關資料以 AMD MI355X GPU 上的提示處理為例,尚未經獨立驗證。

    推薦理由:Anthropic稱Claude可在三天內移植至AMD GPU,文章以此說明AI可能降低跨晶片部署的工程成本,並影響算力採購彈性。

  2. Hacker News (official RSS)76

    線性規劃能否用於權重空間程式設計?

    作者以 Qwen3.5-0.8B 為例,示範如何用線性規劃(LP)選擇權重編輯方式,減少模型反覆思考的迴圈。\n\n- 方法:沿用 Astra 找出的殘差方向,LP 搜尋應修改的權重欄位與幅度;在測試中,編輯 16,291 個權重,MATH-500 準確率為 51.7%,IFEval 為 59.7%。

    推薦理由:文章將權重編輯拆成殘差方向與稀疏係數的線性規劃,並以測試集比較其效果與適用限制。

  3. aihot79

    OpenRouter 實測 fp8 與 fp4 量化對 LLM 品質與價格的影響

    OpenRouter 實測 Qwen3.8 27B 的六個服務商端點,在 240 個計分任務中未測出 fp8、fp4 與 fp16 的準確度差異,並比較不同量化精度的價格與端點選擇方式。

    推薦理由:OpenRouter 以單一模型的端點測試比較量化精度、準確率與價格,並說明如何用 provider.quantizations 篩選端點及保留故障回退選項。

  4. Dev.to Top Tech79

    Anthropic 發布 Claude Fable 5.2 與 Claude Mythos 5.2,降價並加快輸出

    Anthropic 發布 Claude Fable 5.2 與 Claude Mythos 5.2,標準輸入與輸出 token 定價較前版降低 20%,Fable 5.2 輸出速度最高提升 30%,安全分類器誤攔截也有所減少。

    推薦理由:Fable 5.2 同時調降價格、加快輸出並減少誤攔截,文中列出基準變化與 Claude Code 預設採用方式,可供評估日常使用成本。