大语言模型与模型
大型语言模型：GPT、Claude、Gemini、Mistral 及开源权重模型
34 published articles
人工智能研究
验证地平线：为什么验证编码代理现在比构建它们更难
一个经典的直觉是，验证解决方案比产生解决方案更容易。对于今天的编码代理，这一直觉已经颠倒：生成复杂解决方案现在是容易的。困难的部分是可靠地验证它们。
2026-07-05
人工智能
MiniMax 新模型 M2.5 编程基准测试夺冠，价格仅为竞争对手的 5%
MiniMax 的 M2.5 模型在编程基准测试 Multi-SWE-Bench 上夺得榜首，在工作空间任务中超越主流模型，且成本仅为竞争对手的十分之一到二十分之一。模型权重已在 HuggingFace 上开源。
2026-07-04
AI研究与开发
马嘉祺给MiniMax工程师上了难忘的一课：被遗忘的token
MiniMax对M2模型无法输出“马嘉祺”这一名字的内部调查发现，预训练词汇表与后训练数据分布之间存在结构性不匹配。根本原因在于：低频率token的lm_head向量在SFT过程中发生漂移，丧失了生成能力，但保留了理解能力。全词汇覆盖修复方案解决了该问题，同时也缓解了日语中的语言混杂现象。
2026-07-04
人工智能
微软Phi-4模型在突破性研究中重新定义效率
微软Phi-4模型实现了最先进的效率，在推理任务中以显著更少的参数追平了更大模型的表现。这篇于2025年5月15日发布的研究论文重新审视了AI扩展定律的假设。
2026-07-03
无分词器架构
Aleph Alpha发布T-Free：一种无分词器的主权AI架构
Aleph Alpha发布T-Free，一种无分词器的LLM架构，将单词直接映射为向量。该方法每个向量可容纳近七个字符，而传统方式仅为四个，从而降低成本并减少能耗，同时提升在专业领域和低资源语言上的性能。
2026-07-03
人工智能
OpenAI的GPT-Live终于不再等着你讲完话
OpenAI的GPT-Live引入了全双工音频，使AI可以同时听和说。它能说“嗯”，在停顿期间等待，并将复杂推理任务交给后台的GPT-5.5，保持对话流畅。
2026-07-01
有效上下文、输出上限以及长窗口的隐性代价
你的AI模型说它能读取100万token，它在撒谎。这是真实的数学。
四大前沿大语言模型都宣称拥有100万+ token的上下文，但有效召回、输出限制和实际成本差异显著。DeepSeek V4 Pro 在输出上限和成本上领先，Gemini 在20万token以下表现出色，而 Claude Opus 在交互式代码审查的缓存方面胜出。本文分析了2026年4月的数据。
2026-06-30
人工智能
OpenJarvis 提供云端AI代理的本地优先替代方案
来自斯坦福大学Hazy Research和Scaling Intelligence实验室的OpenJarvis 1.0使得个人AI代理能够通过Ollama在本地运行，并可选云端接入。它包含用于晨间简报、跨文档研究和本地代码助手的预设，优先考虑效率和隐私，同时追踪能耗、成本和延迟。
2026-05-28
AI安全研究
AI模型无法停止“边想边说”。这对安全性而言既是好消息，也是噩梦。
Claude Sonnet 4.5 仅有 2.7% 的时间能控制其思维链，而最终输出的可控性却高达 61.9%。这一差距引发了对思维链监控作为安全机制稳健性的开放性疑问，而无人知晓其存在的原因。
2026-03-09
图像编辑
Reddit用户构建的图像编辑器击败了实验室模型
RealEdit，一个包含来自Reddit的48,000个真实世界图像编辑请求的数据集，显示现有模型在真实用户任务上表现不佳。基于该数据训练的模型在Elo评分上最高领先竞争对手165分，并将深度伪造检测准确率提升了14个百分点。
2025-05-01