2026年初新一代Agent模型密集发布，科研级推理能力边界明确：特定任务逼近人类专家，完整科研流程仍需人工主导_服务软件

1. EMNLP 2025 | CARE：无需外部工具，让大模型原生检索增强推理实现上下文高保真

2. 全球首个科研智能体系统发布助力科研人才全流程培养

3. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

4. 谷歌AI连发6篇数学论文！Gemini攻入博士级科研，91.9%刷爆SOTA

5. OpenAI推出Prism工具，助力科学家加速AI驱动的科研发现1月28日，OpenAI宣布推出全新免费工具“Prism”，这是一个专为科学家设计的AI原生协作工作空间，旨在大幅简化科研论文撰写、协作与修订流程，并进一步推动AI在科学发现中的应用。Prism基于OpenAI最新模型GPT-5.2构建，后者被OpenAI称为“在数学和科学推理方面最先进的模型”。该工具采用LaTeX原生格式——这是科研界撰写包含复杂公式论文的标准系统——将传统上分散在多个软件中的工作流整合到一个云端平台中，包括文本编辑、公式处理、参考文献管理、图表插入与AI辅助修订等功能。Prism的核心亮点在于其“全文档上下文”能力：AI能够同时理解论文的周围文本、方程式、引文、图表及整体结构，从而实现更精准的草稿生成、修改建议、公式重构与跨元素推理。科学家可直接在界面中与AI对话，让其帮助起草段落、优化论证逻辑或检查一致性，而无需频繁切换工具或手动复制粘贴。OpenAI表示，此举是其“OpenAI for Science”倡议的重要一步。该倡议旨在将前沿AI模型与真实科研环境深度结合，目标是将原本可能耗费数十年的人类发现过程压缩至数年。OpenAI高管强调：“2025年，AI彻底改变了软件开发；2026年，我们预计科学领域将迎来类似变革。”Prism对所有拥有ChatGPT个人账户的用户免费开放，支持无限协作者与项目，无需额外订阅。这一低门槛设计有望吸引全球广大科研人员尝试。OpenAI同时指出，虽然当前AI在数学证明、生物实验设计、材料模拟等领域已展现出“人类专家水平”甚至超出的表现，但仍建议研究者将其作为协作助手，而非完全自动化研究——人类判断在问题定义、假设验证与最终洞见提炼上依然不可或缺。近年来，OpenAI持续加大在科学领域的投入，包括与美国能源部国家实验室合作、发布数学与生物学前沿成果等。Prism的推出被视为公司从通用聊天工具向专业科研基础设施转型的标志性产品，也反映出AI巨头之间在“AI for Science”赛道的激烈竞争——谷歌DeepMind等公司也在同期推进类似的多智能体“AI co-scientist”系统。目前，Prism已通过网页应用形式上线，用户可直接登录ChatGPT账户访问。OpenAI表示，将根据科研社区反馈持续迭代该工具，并计划未来扩展至更多学科与更深层次的发现辅助功能。

6. 太科幻！英伟达史上最炸裂发布会，打通AI与量子的融合之路，一统量子计算生态，用AI重新定义6G网络，性能狂飙100倍超算怪兽Vera Rubin首次亮相，7座AI集群重新定义科研，一统数字孪生和物理AI......我把最全的五大亮点总结给大家！#量子计算##英伟达发布VeraRubin超级芯片##科技##人工智能##ai##黄仁勋##英伟达# 赛博奇的微博视频

7. Seedance2.0乱杀后，豆包2.0终于来了！字节在接近自己的Gemini 3时刻

8. 当AI真的能独立搞科科研我们离“想法一出成果即来”的时代也许只差一步。#大咖观察 #红衣聊AI #科技改变生活 #人工智能

9. #Gemini3有哪些新功能#从“回答问题”到“搞定一切”，谷歌这款新模型直接把实用度拉满！原生支持文字、图像、视频、音频全模态输入，100万token超长上下文能装下700页书，不管是解析学术论文、生成交互式学习卡片，还是分析比赛视频出训练计划，都能轻松hold住。推理力更是断层领先！GPQA Diamond 91.9%准确率+MathArena 23.4%高分，Deep Think模式连博士级难题都能拆解得明明白白，日常办公算贷款、做科研析数据都靠谱。开发者狂喜的是全新AI IDE Antigravity，一句话就能生成完整航班追踪APP，代码自动验证还能跨工具协同，SWE-bench Verified 76.2%的修复率堪比专业程序员👏

10. 【#Seed2.0正式发布#】据“字节跳动Seed”：大语言模型驱动的产品已深刻融入我们的生活。过去一年多，Seed 开发的 LLM 模型系列已支持豆包等拥有上亿用户的 C 端产品，同时，我们也注意到，随着 Agent 时代到来，LLM 将在现实世界的复杂任务中发挥更大作用：比如参与科学研究，支持复杂软件开发，LLM 甚至可以基于上下文自主学习，完成各类具有经济价值的任务。在这个关键节点，我们很荣幸地介绍最新 Seed2.0 系列，它们围绕大规模生产环境下的使用需求做了系统性优化，旨在帮助突破真实世界中的复杂任务。通过分析 Seed 通用模型在 MaaS 服务中的调用情况，我们发现，最高比例的需求为处理混杂图表、文档等非结构化信息的知识内容，企业往往要求模型先做“读得多、想得多”的任务，再进入复杂且专业的流程型工作，对模型的长内容理解和多步任务执行能力要求越来越高。基于真实使用场景，Seed2.0 系列重点在以下方面进行了优化：更稳健的视觉与多模态理解：Seed2.0 强化了视觉感知与推理能力，对复杂文档、表格、图形、视频内容的解析水平显著提升，视觉信息处理更精准。更可靠的复杂指令执行：Seed2.0 提升了指令遵循和推理表现，并强化了对多约束、多步骤、长链路任务的理解与执行能力，已具备支撑高价值任务的能力基础。更快速、更灵活的推理选择：Seed2.0 提供 Pro、Lite、Mini 三款不同尺寸的通用 Agent 模型，以及专门的 Code 模型，覆盖不同的场景需求，供企业和开发者选择。除了更好地支持生产级需求，Seed2.0 还致力于提升模型智能上限。目前，Seed2.0 已能从解决奥林匹克竞赛类问题迈向支持研究级的推理任务。比如，Seed2.0 可尝试探索埃尔德什级别的数学问题，也可完成部分科学相关任务的编程工作，进一步突破机器智能的边界。Seed2.0 Pro 和 Code 模型已分别在豆包 App 和 TRAE 上线，同时，Seed2.0 全系列模型 API 已同步上线火山引擎，欢迎大家体验、反馈。

11. #用声音马住中国年##微博声浪计划# Seed2.0正式发布！字节跳动推出企业级大语言模型Seed 2.0系列与视频生成模型Seedance 2.0，引发全球关注。Seed 2.0强化多模态理解，支持复杂文档解析；Seedance 2.0实现四模态输入，推动影视广告生产力革新，特效成本大降。全球竞争格局生变，也面临隐私版权争议与技术局限。 http://t.cn/AXt6hXdD

12. 今天，豆包大模型正式进入2.0阶段

13. 字节豆包2.0发布：推理成本降一个数量级，正面对标GPT-5和Gemini 3

14. Google联合耶鲁的AI实验，震惊科研界

15. #谷歌最强大AI模型来了#美东时间11月18日，谷歌正式推出迄今最强大AI模型Gemini 3，发布首日便同步上线谷歌搜索、Gemini App及多个开发者平台，创下新模型当日整合进搜索产品的纪录。该模型以1501分的历史最高分登顶LMArena排行榜，尽显硬核实力。Gemini 3堪称“全能型选手”，拥有百万级token超长上下文窗口，多模态理解能力全球领先，MMMU-Pro测试得分81%，Video-MMMU测试达87.6%。其推理能力实现巨大飞跃，GPQA Diamond测试准确率91.9%，Deep Think增强推理模式更将这一数据提升至93.8%。作为最佳vibe coding和智能体编码模型，它在LiveCodeBench Pro测试中远超竞品，逼近专业程序员水平。同时，其Agent能力颠覆传统工具属性，能自主规划复杂任务，谷歌称其为最安全模型，全面重构AI应用新生态。#科技先锋官# #秒懂热点就用智搜# 谷歌最强大ai模型来了川北小哥的微博视频

16. AI智能体是否能预测未来？字节跳动seed发布FutureX动态评测基准

17. GPT-5.2发布，真正的牛马打工人专属AI来了！！在各种小道消息，各种预测之后。终于，在OpenAI十周年的这一天。也就是今天的凌晨2点，GPT-5.2终于跟大家见面了。这是Gemini 3 Pro爆火，第一次让OpenAI没有领先优势，奥特曼在内部官宣红色警戒状态之后，他们掏出的第一款模型。也是OpenAI的十周年献礼。而这款模型的特点也非常有意思。OpenAI的原话是：We are introducing GPT‑5.2, the most capable model series yet for professional knowledge work.（我们正式发布 GPT-5.2，这是迄今为止在专业知识工作方面能力最强的一代模型系列。）专业知识工作，记住这个关键词，后面要考。我们先从各种跑分上看，其实能看到，一些跑分其实没有质的飞跃，有一种数码厂开始挤牙膏的感觉。。。对比了GPT-5.2、GPT-5.1、Claude Opus 4.5和Gemini 3 Pro。在软件工程（SWE-Bench Pro）、科学问题（GPQA Diamond）、数学竞赛（AIME 2025）这些传统评测集上。GPT-5.2确实又强了一些，也回到了第一的位置，全面领先。在前端审美还有3D元素上，表现的更牛逼了。在视觉理解能力上也更强了。比如要求模型识别图像输入中的组件，并返回带有近似边界框的标签。即使在低质量的图像上，GPT-5.2也能识别主要区域并放置与每个组件真实位置大致匹配的框，而GPT-5.1只标注了几个部分，对它们的空间排列理解不是很好。但是这些东西，说实话，确实也就那样，大家很难体感上还觉得有多牛逼。就像芯片厂子告诉你，我的手机芯片性能又提升了25%，你听了以后，哦确实强，但是完全不影响你继续刷微博对吧。不过有两个评测集，是我觉得这次GPT-5.2最大的亮点，且一定要单拎出来，跟大家单独聊一下的。一个是ARC-AGI-2，一个是GDPval。这两个，非常有意思。先说ARC-AGI-2。过去的AI评测，比如MMLU，考的主要是是知识。比如它会问你“美国第一任总统是谁？”、“光合作用的化学方程式是什么？”。这种评测呢，坦率的讲，对于一个读了半个互联网的AI来说，有点像开卷考试，它有很大概率不是真的推理出来的，而是背出来的。这就导致一个问题，在实际的评测中，我们分不清AI是真的聪明，还是只是记性好。于是，François Chollet，就是那位Keras（一个著名的机器学习框架）之父，2019年第一次在论文《On the Measure of Intelligence》里，提出了ARC这个变态测试。而这个测试，跟知识储备一毛钱关系都没有。全名叫，Abstraction and Reasoning Corpus，抽象与推理语料库。设计目标就是测模型的通用智能的能力。大概就是，不看你在某一道题上有多熟练，而是是看你在没见过的新题上，能不能自己推理出规则、举一反三。目前正式版发展到了第二代，也就是ARC-AGI-2，我给大家放一下，ARC-AGI-2里面的一些典型的题目，大家就懂了。这种能力，现在称为流体智力（Fluid Intelligence），意思就是指不依赖于已有的知识，在全新情境下进行逻辑推理、识别模式和解决问题的能力。说白了，就是你的悟性和开窍的能力。这玩意儿对AI来说，难于登天。因为它在互联网上找不到任何现成的答案，它必须当场理解、当场推理在很长一段时间里，顶级AI的得分都低得可怜。在ARC-AGI-2上，之前GPT-5.1的得分是17.6%，而GPT-5.2，直接飙到了52.9%。直接翻了三倍。这是一个很恐怖的数据。GPT-5.2的模型，直接在排行榜上屠榜了。而且，效率还很高。基本都在同成本区间，能力做到了最高。在真正的智力水平上，GPT-5.2确实达到了目前的最优。这就比较有意思了。然后是第二个，也是我自己现在最关心、也是我认为最重要的一个：GDPval。可能很多人没听说过这个评测集。他是OpenAI自己在2个半月前新出的。其实你看这个名字也能看出来一点端倪。GDPval，就是生产总值的那个GDP。他们要用一个全新的标准，来衡量AI在真实世界中、具有经济价值的任务上的表现。过去，我们说一个模型牛逼，是因为它代码写得好，或者知识答得准，或者考试分数高。这当然很重要，但就像我常说的，这个世界不只有程序员和科学家。还有律师、设计师、市场经理、护士、建筑师、销售……无数专业知识工作者。他们工作的价值，其实很难用一张考卷来衡量。于是，OpenAI他们在美国贡献GDP最高的9个行业里，选取了44个核心职业，然后，他们找到了在这些行业里平均有14年工作经验的资深专家，让他们出了1320道专业知识任务，并且每一项，都基于真实工作成果。比如，给律师的任务，可能就是一份真实的合同草案和客户需求，让他去审阅和修改。给市场经理的任务，可能就是一堆产品资料和市场数据，让他写一份营销方案PPT。给制造工程师的任务，可能就是一张产品设计图，让他优化生产流程。这些任务，不仅有文字，还可能包含PDF、Excel表格、图片、PPT，是高度复杂的、多模态的、没有标准答案的真实工作。整套任务的平均用时，是人类专家要花 7 个小时才能做完，有些甚至是一两周的活。然后，模型和人类的成果，会被同领域的另一批专家进行盲评。他们也不知道谁是AI，谁是人类。评委只需要回答一个问题：你更愿意把哪份交给客户？是这份，还是这份？结果，GPT-5.2 Thinking在这套 GDPval 上，赢或打平行业专家的比例，达到了70.9%，而GPT-5.2 Pro 模型是74.1%。注意，这里的参照系不是普通实习生，而是行业专家。也就是说，在一个有着十几年经验的采购经理、或者审计师面前，GPT-5.2干出来的活儿，有七成的时候，比专家干得好，或者至少一样好。而 GPT-5，只有 38.8%。这个进步的速度，还有有一点快的。看一下官方放的case的对比，还是比较直观的。我们过去的模型，都花过于着重的笔墨在编程开发上了，我并不是说编程开发不重要，它很重要，很牛逼。但，其他的领域的工作，我也觉得应该被重视。而GDPval，就是我认为最重要的一个指标。而且这次GPT-5.2，在上下文上，也有大幅的加强。用我们以前的大海捞针测试，在一个256K的巨型文档里面埋四根针，让AI来根据文档内容回答。GPT-5.2干到了离谱的100%，这也是我印象中，唯一一个能干到100%的。8根针的正确度会下降，但是这个衰减，已经比GPT-5.1牛逼太多了。而且，还有最新的知识库截止日期：牛逼的知识工作处理+最新的知识库截止日期+更棒的智力+准确性超高的上下文。这简直，就是真正的天选牛马搭子，对打工人的加持，实在是太强了。这是真正，奔着大众、奔着实用去的。目前今天会开放给ChatGPT付费会员，明天会开放给免费会员，会直接替代GPT-5.1，但是如果你是付费会员的话，还会在老模型中存续3个月。就是这。可惜截止到凌晨6点这一刻，作为尊贵的200刀的ChatGPT Pro会员，我还是没有拿到GPT-5.2的体验资格。一些所谓的ChatGPT上的为GPT-5.2专用的文件精修，也只能等拿到实测以后，再出一篇GPT-5.2的打工合集了。然后开发者的话，已经可以通过API调用。价格上，会比5.1贵一些。整体上，GPT-5.2的所有消息差不多就这样了。而我自己一直期待的，成人模式。还是没有到来。奥特曼自己这个龟儿子说的是12月上线。也不知道能不能等到。反正他说，下周还会再送一些小的圣诞礼物。盲猜一手OpenAI家的生图模型，或者成人模式。对于一个创作者来说，这两玩意，真的很需要。。。最后总结，GPT-5.2在我心中，是一个合格的迭代，并没有跟很多模型一样，专注于纯粹的传统刷分，而是聚焦在了广大白领打工人身上，帮大家解决实际工作中的问题。这个点，我觉得就很酷，非常的刚需。但是从路线上来说，感觉GPT-5.2还是被原生多模态的Gemini 3 Pro压了一头，12月大概率还是要发个生图模型出来的，不知道对标Banana，会不会有新的惊喜。总之，还是保持期待。反正每一个新模型的发布，只要是我觉得有意思的。也一定会熬夜给大家带来第一时间的解读。我们以后。还是，不见不散~#科技先锋官#ChatGPT

18. AI搞科研，算得准不如想法多。 #大咖观察 #红衣聊AI #科研 #Meta #创新创业

19. 豆包大模型 Seed-2.0 正式发布，带来哪些新功能和体验升级？

20. 豆包大模型 Seed-2.0 正式发布，带来哪些新功能和体验升级？

21. 开源最强，逼平闭源顶流！DeepSeek发布V3.2系列模型，推理能力追平GPT-5

22. RL新思路！复旦用游戏增强VLM通用推理，性能匹敌几何数据

23. 科研智能体「漫游指南」—助你构建领域专属科研智能体

24. 我用豆包大模型2.0手搓了macOS，Seedance 2.0后字节再送春节AI大礼

25. #豆包大模型2.0发布##HOW I AI##过个有AI年#字节跳动春节AI攻势又起。今天，字节跳动正式发布豆包大模型2.0系列，在多方面取得突破，全面挑战国际顶尖水平。豆包大模型2.0定位为旗舰级通用模型，专注复杂推理与长任务链执行，比如科研分析、跨模态创作。豆包大模型2.0分为Lite、Mini、code、Pro四个版本。其中Pro版本全面对标OpenAI的GPT5.2，数学竞赛成绩达到人类金牌水平。另外，多模态理解达SOTA水平，视觉推理与编程能力超越Gemini 3 Pro，HLE-text测试全球最高分54.2。另外三个版本也各有特色。Lite版均衡性能与成本，企业级任务处理效率提升，成本低于前代1.8。Mini版低延迟响应，支持256K上下文，适配轻量级应用（如移动端）。Code版深度优化编程场景，无缝接入TRAE等开发工具。#老张聊科技#

26. #微博声浪计划##听见微博# 热搜词DeepSeek推出新模型！DeepSeekMath-V2实现三级协同架构突破，IMO准确率83.3%超GPT-5，Putnam获118分。可验证推理能力赋能科研教育，适配国产芯片，开源策略推动中国AI下载量首超美国，打破参数规模神话，以技术巧思提升全球话语权。乖乖Show的微博音频

27. 首个1T参数开源推理模型来了！

28. 2026年1月13日，百川智能正式开源新一代医疗大模型 Baichuan-M3，其在全球最权威的医疗 AI 评测 HealthBench 中以 65.1 分的综合成绩位列全球第一；在专门考验复杂决策能力的 HealthBench Hard 上，也以44.4分的成绩夺冠。这一成绩，不仅刷新了 HealthBench 的最高分，更首次在医疗领域实现了对 GPT-5.2 的全面超越。在OpenAI引以为傲的低幻觉领域，M3也实现了超越，幻觉率3.5全球最低。此外，M3 还首次具备了原生的“端到端”严肃问诊能力。它能像医生一样主动追问、逐层逼近，把关键病史和风险信号问出来，进而在完整的信息上进行深度医学推理。评测显示，其问诊能力显著高于真人医生的平均水平。发布了头条文章：《百川开源全球最强医疗大模型M3，「严肃问诊」定义AI医疗新能力》百川开源全球最强医疗大模型M3，「严肃问诊」定义AI医疗新能力

29. Agentic Deep Research新范式，推理能力再突破，可信度增加，蚂蚁安全团队出品

30. 创意多样性，决定了AI科研的天花板。 #大咖观察 #红衣聊AI #科研 #创意

31. 这篇论文把AGI定义清楚了↓A Definition of AGI，由 Dan Hendrycks、Yoshua Bengio、Dawn Song、Gary Marcus 等多位顶级学者共同撰写，核心目标是为人工通用智能（AGI）提供一个清晰、可量化的定义，从而让人类能够科学地评估 AI 到底距离“人类水平智能”有多远。论文指出，长期以来 AGI 的定义非常模糊，常被描述为“像人类一样聪明的 AI”，但缺乏可验证的标准。随着 GPT-4、Gemini、Claude 等大型模型不断突破，人们争论“是否已接近 AGI”，但这种讨论无法脱离一个具体的衡量框架。因此，作者希望用心理学的认知模型来定义 AGI。★ 核心定义AGI 是一种在认知多样性和熟练度上，能够与受过良好教育的成年人相匹敌或超越的人工智能。这一定义强调两方面：一是「认知广度」——是否能在多个不同领域展现理解与学习能力；二是「认知深度」——是否能以人类水平解决复杂任务、展现推理和综合能力。★ 核心能力为了让这一定义可以被测量，作者借鉴了心理学中最具实证基础的Cattell–Horn–Carroll（CHC）智力理论。CHC 理论通过对人类认知的长期研究，将智力分解为多个层次和能力域。论文据此提出了一个由十个核心认知领域组成的 AGI 框架，用来评估 AI 是否具备“人类级智能”的广度。这十个核心能力包括：第一，一般知识（General Knowledge），涉及常识、科学、社会科学、历史与文化等广泛的人类知识。第二，阅读与写作能力（Reading and Writing），衡量模型在语言理解、文本生成、语法与表达上的能力。第三，数学能力（Mathematical Ability），覆盖从算术、代数、几何到概率与微积分的知识与推理。第四，即兴推理能力（On-the-Spot Reasoning），考察模型面对新问题时的推理、规划、心智理论与适应力。第五，工作记忆（Working Memory），衡量模型维持和操作信息的能力，包括文字、图像和声音信息。第六，长期记忆存储（Long-Term Memory Storage），即模型能否持续学习并保留新知识。第七，长期记忆提取（Long-Term Memory Retrieval），测试模型能否准确提取记忆、避免幻觉。第八，视觉处理（Visual Processing），评估其理解、生成、推理和扫描视觉信息的能力。第九，听觉处理（Auditory Processing），包括语音识别、语音生成、节奏与音乐感知等。第十，速度（Speed），即模型在执行简单认知任务时的反应与处理速度。作者用这十个维度构建了一个综合的“AGI 分数”（AGI Score），满分为 100%，表示与人类智力等同。每个维度在总分中占 10%，体现了广度优先的设计思路。★ 当前模型的打分通过这一框架，研究团队为不同模型计算了 AGI 分数。结果显示，GPT-4 的得分约为 27%，GPT-5 提升至 58%。这意味着 GPT-5 的认知广度和熟练度已经达到人类智能的一半左右。它在阅读理解、写作、数学和视觉理解方面表现突出，但在长期记忆方面依然是 0%，即几乎不具备持续学习能力。★ 锯齿状智能论文进一步分析了当前 AI 系统的“锯齿状智能”现象——某些方面超人，某些方面极度欠缺。例如，模型依赖超大上下文窗口（工作记忆）来弥补缺乏长期记忆的缺陷，这是“能力弯曲”的表现。类似地，模型通过外部检索（RAG）来弥补内部记忆提取不足，但这并不代表真正的学习或理解。作者称这种现象为“能力错觉”（illusion of generality）。在他们看来，真正的 AGI 必须具备能长期积累、内化和提取知识的认知系统，而不是依赖外部数据库或一次性上下文。★ 结论论文的结论是，虽然大型模型在某些领域已接近人类，但距离真正的 AGI 仍有显著差距。最大的瓶颈是缺乏长期记忆与持续学习能力，其次是多模态整合和自主推理。作者认为，这一框架提供了一种客观方法，能持续追踪 AI 向 AGI 发展的进展，并揭示未来研究需要突破的方向。论文还特别区分了 AGI 与其他相关概念：例如“超级智能”是远超人类的智能；“递归 AI”是能自主改进自身的 AI；“自维持 AI”能独立运行并自我保护；“经济型 AI”能产生巨大利润但不一定具备通用智能。论文明确指出：AGI 衡量的是认知能力，而不是经济价值。论文：www.agidefinition.ai/paper.pdf#ai创造营##科技#

32. DeepSeek新推出的模型实力很强。🏆世界领先的推理能力🔹 V3.2：推理能力与篇幅的平衡。达到 GPT-5 水平的日常使用性能。🔹 V3.2-Speciale：推理能力全面提升。可与 Gemini-3.0-Pro 相媲美。🥇金牌表现：V3.2-Speciale 在 IMO、CMO、ICPC 世界总决赛和 IOI 2025 中取得金牌成绩。📝注：V3.2-Speciale 版本在处理复杂任务方面表现出色，但需要更高的令牌使用量。目前仅提供 API 接口（不支持工具使用），以支持社区评估和研究。

33. 大型语言模型（LLM）其实就是“大型的语言模型”，本质上并不神秘，核心机制很简单：语言模型通过“预测下一词”的方式生成文本，这一过程基于对大量文本数据的概率分布学习。这里的“token（词元）”是模型处理语言的基本单位，理解token是理解语言模型的关键。语言模型并非新鲜事物，早在手机键盘的自动补全功能中就已广泛应用。区别在于LLM规模更大，参数更多，因而具备了“涌现”能力——超越简单预测，展现复杂推理、少样本学习、跨领域迁移等高级智能。这正是规模的质变：从百万级参数到百亿级参数，模型不只是“更大”，而是能力本质上发生了飞跃。它们通过预测语言，意外地学会了通用推理模式和语义理解，这让LLM不同于传统的语言模型。理解LLM，也要看到它们是数学模型，背后是概率统计和线性代数，不是魔法。真正的挑战是如何验证和保障它们的行为，而非仅仅解释原理。总的来说，LLM的简单核心是预测词元，复杂之处在于规模带来的新能力。未来它们将在创意产业、教育、科研等领域释放巨大潜力，推动人机交互进入新阶段。原文链接：x.com/mattpocockuk/status/1982748110595236022

34. RLHF与RLVR全都要，陈丹琦团队最新力作将推理能力拓展到通用智能

35. 豆包大模型 Seed-2.0 正式发布，带来哪些新功能和体验升级？

36. DeepSeek推出DeepSeekMath‑V2 模型，主攻自验证数学推理能力

37. 【紫东太初4.0发布，多模态推理超越GPT-5】9月19日，在武汉举行的2025东湖国际人工智能高峰论坛上，紫东太初4.0多模态推理大模型正式发布。该大模型由中国科学院自动化研究所与武汉人工智能研究院共同打造，1.0版本于2021年发布，是全球首个千亿参数多模态大模型，2.0实现了全模态认知增强，3.0全面对标GPT4o，4.0可实现多模态推理。中国科学院自动化研究所副总工程师、武汉人工智能研究院院长王金桥介绍，紫东太初4.0具备边看、边识、边思的认知能力，在带图思考、复杂多模态推理、工具调用能力方面超越GPT-5。在实际应用中，首次实现180分钟长视频深度理解与秒级精准作答，长视频推理问答、检索能力登顶6项数据集。（支点财经记者林楠）

38. #一条音频告别2025##微博声浪计划# 2026年元旦，DeepSeek发布流形约束超连接（mHC）论文，解决大模型训练崩溃难题，复杂推理准确率提升7.2%，8项测试全面超越传统架构。该技术被称残差连接十年升级，也有观点认为是HC实用扩展，行业评价两极。团队延续假日发布策略，抢占信息真空期，彰显技术民主化方向。宇思说科技的微博音频

39. Seedance 2.0之后，字节跳动又发布豆包大模型2.0

40. Seed2.0 正式发布

41. 字节跳动 Seed 团队发布 Seed Prover1.5，在 IMO等顶级数学竞赛及多权威评测中刷新同领域 SOTA

42. 全流程直击大模型科学能力短板，司南上线科学智能评测体系 | AGI4S进行时

43. 深夜剧变！谷歌Gemini3超人升级、ARC-AGI跃迁，AGI时代近了？

44. P1-VL Bridging Visual Perception and Scientific Reasoning in Physics Olympiads

45. Transformers for scientific inductive reasoning

46. LLM评测-推理型 Benchmark

47. 达到金牌分数线:字节跳动推出新一代数学推理专用模型Seed Prover 1.5

48. 豆包 2.0 模型发布，全信息整理（全网最完整，另附 79 页 Model Card）

49. Seed2.0— 字节跳动推出的系列通用模型

50. 聊聊有点被低估的豆包Seed 2.0

51. 200B参数Seed-Thinking-v1.5惊艳登场,超越DeepSeek-R1

52. 聊聊有点被低估的豆包Seed 2.0。

53. Seedance2.0炸场之后豆包Seed2.0能否再度勇攀高峰

54. OpenAI发布FrontierScience，「推理+科研」双轨检验大模型能力 - 哔哩哔哩

55. Gemini 3 Deep Think 模型评估：评估策略、方法和评估结果

56. 超级重磅！「Deepseek创始人」梁文锋，今日Nature封面论文！全文仅两张图！

57. 深度求索（DeepSeek）发布 V3.2 系列模型推理能力达到国际顶尖水平

58. 从ARC-AGI-1到ARC-AGI-2：AGI基准的演进与AGI定义的深化

59. 深度解读：DeepSeek 又进化了！V3.2 推理能力世界第一

60. 字节跳动Seed2.0 正式发布

61. 🥳THOR让AI数学推理能力瞬间提升❗️

62. AI从“竞赛解题”跃迁至“自主科研创新”新趋势分析: 趋势一：AI能力从“解决已知难题”质变至“提出并验证新知识”的科研级创新趋势二：“推理时Scaling Law”与“智能体工作流”成为释放模型极限智能的核心方法论趋势三：AI展现出“跨领域知识迁移”能力，成为打破学科壁垒、催生范式突破的催化剂 #ai技术应用#科技趋势#科技商业洞察#科技投资#信息差

63. 震惊！谷歌“数学奥赛金牌级”AI公测，推理能力直接炸场！

64. Seed2.0正式发布豆包大模型全面升级

65. 豆包Seed2.0发布，谷歌真正的对手，终于出现了

66. Seedance 2.0后字节又发布豆包大模型2.0，推理能力更强

67. 谷歌正式推出Gemini 3 Flash模型具备博士级逻辑与推理能力

68. 研究称大模型视觉能力不如6岁小孩 Gemini仅胜3岁小孩

2026年初新一代Agent模型密集发布，科研级推理能力边界明确：特定任务逼近人类专家，完整科研流程仍需人工主导

精选参考来源