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
97 published articles
AI 研究
思维链中的泡沫：新基准揭示大语言模型在有效但无用的推理上浪费标记
大语言模型通常生成正确但塞满不必要步骤的推理链。一个新的诊断基准和压缩方法表明，当前评估器完全忽略了这种低效性，而人类编写的推理步骤中可能有半数可被压缩。
2026-07-31
人工智能研究
轻量监控控制器将量化LLM在MATH-500上的得分提升4.5个百分点
新研究提出了一种针对量化小型语言模型的外部监控控制器，可检测重复或退化的推理路径，并触发回滚及受限重新解码。在广泛的评估集上，准确率提升了4.5个百分点，但作者强调这一发现并非确证性。
2026-07-30
AI研究
AI智能体把记忆留在模型之外，Metis将其放进模型内部
MemTensor的Metis是记忆基础模型的第一个原型：历史被压缩进主干网络，通过记忆注意力读回，并在一次前向传播中完成更新。它向智能体记忆的向量存储时代发起挑战。局限已被承认，但尚未被量化。
2026-07-30
游戏AI
至今没有AI游戏引擎解决的三个问题：一致性、可导航性、评估
MAGIC是一个四阶段流水线，可将单个提示转换为包含多个连接场景的可玩Unity项目。它通过洪水填充验证器强制实现传送门可达性，并引入一个评估代理，该代理实际上会穿越每个过渡，补充了数十年来仅关注单个室内环境的指标。
2026-07-30
强化学习
微软体验式学习：给AI模型一个教练，而不仅仅是分数
体验式学习将“大模型即评委”重新定位为“大模型即教练”，从每个响应中提取可迁移的知识，并通过在线策略上下文蒸馏将其内化，在保留任务上优于基于评分标准的强化学习，并减少了奖励欺骗。
2026-07-30
机械可解释性
gemma-4 实际掌握的物理知识：新论文发现其表征是真实的
关于 gemma-4-E4B-it 的新研究揭示，该模型内部对材料科学机制的表征与其给出的答案存在因果关系。该研究结合了多种探针和干预技术，表明物理知识编码在状态变换中，而不仅仅是静态模式中。
2026-07-29
AI研究
新审计发现：分布式强化学习头的风险判断大多不成立
大规模审计显示，分布式RL智能体在从业者最可能信任的状态点上系统性地编造了风险权衡。在基于QR-DQN、C51和IQN的MinAtar环境中，最强断言无一可被证实，而依据智能体的CVaR建议行动有时表现显著低于随机水平。
2026-07-29
开源AI
英伟达AV-Flamingo：攻克长视频理解，碾压多数模型
英伟达发布AV-Flamingo，一款专为长视频、复杂视频理解设计的开源音视频大语言模型。它采用三阶段课程学习法和带时间戳的思维链框架，能够处理许多模型难以应对的时间推理与跨模态推理任务。
2026-07-28
行为科学
大型语言模型复制人类决策偏差：比调查更有效的路径选择研究
一项使用3000个GPT-5智能体在路径选择实验中的研究表明，大型语言模型以高保真度再现了累积前景理论的偏差，包括损失厌恶、参考依赖和概率权重。该方法绕过了传统行为建模中参数估计的瓶颈。
2026-07-28
AI模型
Macaron-V1-Venti的748B四专家设计击败GPT-5.5和Opus 4.8
来自MindLab Research的Macaron-V1-Venti在个人智能、编码、终端使用和生成式UI的基准测试中领先，采用新颖的混合LoRA架构，使模型保持紧凑同时具备专业性。
2026-07-27
开源AI
Kimi K3 是有史以来最大的开放模型，但仍不是最好的。
Kimi K3是最大的开源模型，拥有2.8T参数，但在整体基准测试中未能击败最好的专有模型。尽管它在特定编码和智能体任务上表现出色，但与Claude Fable 5和GPT 5.6 Sol等前沿领先者的差距暴露了没有架构和数据突破的规模扩展的局限性。
2026-07-27
智能体金融
你的投资组合黑箱即将打开：首个实时智能体金融追踪器内部解析
NextFund记录AI交易智能体在实时市场中做出的每一项决策，让用户比较模型、检查理由并诊断失败。一项针对美国、中国和香港股票的八款大语言模型测试显示，相似的中间信号可能分化为截然不同的投资组合行为，且季度排名会根据最关键的指标而翻转。
2026-07-27