搜索“推理”

值越高越好） 表 6 类别 MentalHealthBench 是一个与心理健康专家共同开发的开源基准，用于衡量 AI 系统在真实心理健康对话中的回应方式。它包含 1,215 段合成对话，涵盖从日常身心健康话题到紧急心理健康危机的多种场景。每个对话任务都配有临床医生撰写的评分标准，可用于为新的模型回答打分。如需进一步了解此评估，请参阅 论文. 我们报告在最大推理努力下的结果。每个回答都会获得一个基于评分标准的分数，并截断至 0–100%。我们在每个任务内对四个独立回答取平均值，然后对总体或各严重程度组内的任务分数取平均值。标准误按任务均值计算。该评估包含 1,215 个任务：650 个非急性、221 个高严重度和 344 个紧急。 MentalHealthBench 在最大推理努力下的结果（均值 ± 1 个标准误，%；越高越好）。 表 7 表 7 gpt-5.6-luna gpt-5.6-sol gpt-5.6-terra gpt-6-luna gpt-6-sol gpt-6 Astra gpt-6.1-sol gpt-6.1-terra MentalHealthBench（总体） 4

匹配字段正文

OPENAI 🔥：API 上发现了一个新的 gpt-6.1-terra 模型标识，而且最新的 Codex 更新日志中也提到了它！ GPT-6.1 Terra 现已在 ChatGPT Work 和 Codex 中上线，覆盖 Plus、Pro、Business、Enterprise 和 Edu 套餐。它是一款快速、高效的专业工作模型，将强大的图像理解能力与精准的电脑操作能力相结合。 它能对图像和屏幕进行推理，然后在你发现的浏览器、桌面和应用中采取行动。Terra 还能提供清晰、直接的写作，以结果为先，并用通俗的语言解释支撑细节。 测试时间快到了！👀

匹配字段正文

这项测试中得分 61.2%，高于 K3 的 55.95%。 K3.1 Pro 能熟练使用 Unity、Unreal Engine、Godot 等游戏引擎，并结合网络搜索与 3D 生成，做出完整的体验。它产出的前端页面、Three.js 交互场景和 3D 资产，在构图、排版、动效和细节打磨上都有明显提升。 Kimi K3.1 Pro 模型擅长 3D 创作与空间推理。在 BenchCAD 基准测试中，K3.1 Pro 借助工具得分 92.7%，接近 Claude Opus 5.5 的 96.2% 和 GPT-6 Astra 的 95.9%。该基准考察通过生成 CAD 代码，从多视角渲染图重建 3D 模型的能力。 据介绍，给 K3.1 Pro 一段文字描述、一张草图或一张参考图，它能推断出物体的形状、比例和空间关系，并将其重建为可用的 3D 模型。它对现有素材库和模型库也有更强的理解。 K3.1 Pro 擅长参数化建模，例如机械零件、建筑模型、多参数可配置的产品和定制家具。无需依赖 MCP 连接器，它可以直接编写并运行 Blender、CAD 等专业建模工具的脚本，完成素材的构建与细化，修改

匹配字段正文

Astra！更离谱的是，它的成本只有 Astra 的五分之一，便宜了整整 80%！ 所以，K3.1 Pro 的定位很清楚：做前沿模型里，最理性的那个选择。 而且，在真实场景中，要干有挑战的任务，还是得靠更大的模型。举个例子，尽管基准测试分数跟Opus相近，但真到了现实场景里，Fable 这种较大模型，经常会表现出更强的洞察力、创作力和写作能力。 毕竟，高难度推理任务，才能显出大模型的本事。 这一次，K3.1 Pro 基于 K3 做后训练，月之暗面在强化学习上大幅加码算力。 为了让几百个下游领域一起联合训练，他们从 RL 框架、长上下文推理、沙箱，到调度系统、环境质检平台，整套技术栈逐层重新打磨。目标就是——每一份新增的算力，都要变成实打实的能力。 结果是，在代码、Agent 和知识类基准上，K3.1 Pro 达到或接近最强闭源模型的水平。 在考察 Agent 在真实终端里独立干活的 Terminal-Bench 4.0 上，它拿到了65.7分，而且在三种思考强度下，都落在「性能与单任务成本」的帕累托前沿上。 也就是说，同样的钱，它干得最多；同样的活，它花得最少。 Kimi 还贴心地端出

匹配字段正文

精美的落地页就能看出，他们为最新模型感到自豪： 和往常一样，我们没得到多少研究细节——这次更新有些类似 Z.ai 的 5.2-5.3 提升——一个小版本号升级，换来大量额外后训练： Kimi K3.1 Pro 是 Kimi K3 的后训练版本，后训练算力大幅增加。为了在数百个下游领域实现大规模联合强化学习，我们优化了技术栈的每一层——强化学习框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度，以及用于环境质量检查的共享平台——使每一份强化学习算力的增量都能带来稳定、可预测的回报。因此，K3.1 Pro 在每个领域都取得了持续提升。 2026/10/22-2026/10/23 的 AI 新闻。我们检查了 12 个 subreddit、544 个 Twitter 账号，没有进一步检查 Discord。AINews 网站可搜索所有过往期刊。提醒一下，AINews 现在是 Latent Space 的一个栏目。你可以选择订阅/退订邮件的频率！ AI Twitter 回顾 头条：Kimi K3.1 Pro 发布及反响 发生了什么 月之暗面发布 Kimi K3.1 Pro：独立基准

匹配字段正文

强调跨数百下游域的联合 RL。 · Kimi K3.1 Pro Highspeed：同能力线，交互速度约 2–3×。 · 今日起可用：https://t.co/V7wNUt9vLy、Kimi Work、Kimi Code、Kimi API；完整权重 11 月 4 日前发布。企业端默认关闭，需管理员开启。 核心技术叙事 团队优化了整条 RL 栈（框架、长上下文推理、训练效率、沙箱、rollout 调度、环境质检平台），使每单位 RL 算力回报更稳定，从而在各域「一致提升」。 编程与长程 Agent · Terminal-Bench 4.0：65.7%（用 Claude-Code harness），高于 GPT-6 Astra 58.2%，略低于 Claude Opus 5.5 的 66.4%。 · Kimi Code Bench 3.0 Long-horizon（内部）：61.2%，高于 K3 的 55.95%。 · 覆盖修 bug 到整项目构建；Unity / Unreal / Godot + 搜索 + 3D 生成；前端与 Three.js 观感更好。 · 内部案例：基于含 296 骨

匹配字段正文

ighspeed 即日起在 Kimi.com, Kimi Work, Kimi Code以及 Kimi API上线。完整模型权重将于 11 月 4 日前发布。 推进开放智能的前沿 Kimi K3.1 Pro 是 Kimi K3 的后训练版本，其后训练算力大幅增加。为了在 数百个下游领域实现大规模联合强化学习，我们优化了技术栈的每一层——强化学习框架、长上下文推理、训练效率、沙箱基础设施、rollout 调度，以及用于环境质量检查的共享平台——从而使每一份强化学习算力的增量都能带来稳定、可预期的回报。因此，K3.1 Pro 在每个领域都取得了持续一致的提升。 在编程、智能体和知识基准测试中，K3.1 Pro 达到或接近最强专有模型的水平。在 Terminal-Bench 4.0，该基准使用严格的任务专属测试，在贴近真实、资源受限的终端任务上评估编程智能体， K3.1 Pro 得分为 65.7%，领先于 GPT-6 Astra（58.2%），并略微落后于 Claude Opus 5.5（66.4%）。而在 Kimi Code Bench 3.0 Long-horizon这一内部基准上，K3

匹配字段正文

提供帮助。其在多步骤任务中的深度和精确度使 Argon 在各领域的基准测试中优于其他前沿模型。 自上周我们大范围推出 Argon 以来，我们看到开发者们利用其扩展能力来创建交互式工具、构建 3D 世界等等。以下五个来自社区的构建——包括一个实时映射构造冲击波的地球仪和一个 3D 多人游戏——是我们目前最喜欢的作品之一。 模拟一架水上飞机在水面上。 凭借在空间推理、数学精度和可视化编码方面的重大升级，Gemini 4 Argon 能够生成复杂的 3D 环境。在由 Lumina（X 上的 @LuminaBench）, Argon 渲染了一个水上飞机的 3D 模拟，具有逼真的光照、反射和水面运动。由于 Argon 能够在多步骤任务中保持深度和精度，它能够同时协调不同元素的运动。 在3D地球上映射野火与构造冲击波。 Gemini 4 Argon 擅长将密集的非结构化数据转化为清晰的视觉呈现。在 Antigravity 中使用 Gemini 4 Argon， Alex Patrascu（X 上的 @maxescu） 将 NASA 的全球野火实时数据与美国地质调查局的地震数据相结合，创建了一个交互

匹配字段正文

FLUX 3 Max 是我们最新经过后训练（post-trained）的模型，仅需 12.45 秒即可生成一段 10 秒视频，而 Seedance 2.5 需要 277.8 秒，两者在第三方基准评测中均取得 1,139 的 Elo 分数。 了解我们如何通过后训练与推理优化，将速度与质量推向新的前沿：https://t.co/JBoRMfIkeP

匹配字段正文

保存着 10 米分辨率的嵌入，每年约 150 TB，覆盖陆地和邻近沿海水域。在发布时，2025、2024 和 2023 年为全球范围，而 2017 至 2022 年覆盖部分国家，更多覆盖范围正在推进中。报告称，2017 至 2025 年的完整数据集远超 1 PB，覆盖范围从南纬 59.5 度到北纬 83.6 度，不包括南极洲，并指出 Searchlight 推理消除了已发布嵌入中的分块伪影。 这些嵌入托管在 Source Cooperative 上，以 Zarr 存储形式存在，可用任何 Zarr 客户端直接从对象存储读取，无需 API 密钥或瓦片服务器。以 GeoParquet 形式发布的开放溯源表列出了每个 20 公里瓦片和年份背后的 Sentinel-1、Sentinel-2 和 Landsat 场景；对于 2025 年，报告记录了约 450,000 个窗口、2100 万条镶嵌条目和 730,000 个场景。 Explorer 将这些嵌入渲染为地球的假彩色地图。用户可以在年份之间切换，调出底层的 Sentinel-2 影像，点击某个位置以查找相似地点，用少量标注点训练一个小型分类器

匹配字段正文

cBook Pro 上每秒超过 125 个 Token，64GB 的 RTX Spark 上每秒超过 150 个，最高是同类模型的 2 倍。 · 上下文：最长 512k，官方建议控制在 256k 以内。 生态：支持 llama.cpp、Ollama、LM Studio、vLLM、SGLang、Unsloth，另外推出了针对 M4 Pro 和 M5 优化的轻量推理引擎 rec。 · 官方给的使用建议：适合当日常的本地编程模型，数据不出本机、也不用付 API 费用。复杂任务要拆小、把指令写清楚，它比大型闭源模型更需要引导。 Eureka Machine 具体做了什么 它自动跑完整个研究循环：提出想法、实现、测试，再根据结果决定下一步，并行探索多个方向，把有效的思路组合起来。在 Flint 上有三个例子： 1. 架构搜索：从总参数 350 亿、激活 30 亿的基线出发，搜索专家数量和宽度的配置，最后选定总参数 400 亿、激活 25 亿，在速度和编程能力之间取得最佳平衡。 2. 反常规的量化：通常输出层（lm head）不做量化，它把输出层也量化到 4 bit，原因是激活参数很少时，输出层占

匹配字段正文

程序，包括一个待办事项列表应用和一个在网上搜集研究资料的工具。他发现，与 Claude 或 Codex 相比，较小的编码模型经常出错或速度较慢，但 Flint 每次都准确完成了他的编码请求。 Eureka Machine 负责提出想法、运行实验，并利用结果决定下一步尝试什么。根据该公司的发布视频，它几乎参与了构建 Flint 的每一个环节，从预训练到后训练和推理。 Recursive 表示，Eureka 的贡献包括更稀疏的模型结构、低比特训练（使 Flint 缩小了 71%，而质量几乎没有损失）以及自定义内核——即加速底层计算的专用程序。 Recursive 没有说明 Eureka Machine 为其研究人员节省了多少时间，但它并非唯一一家借助 AI 开展研究的公司。OpenAI 上个月表示，截至 8 月中旬，其 AI 智能体每对应人类研究员的一个工作日，就会记录 3.1 个工作日。 如果 Recursive 的押注奏效，每个新模型都应能承担更长时间的工作而无需人工帮助。该公司此前告诉 TechCrunch，其 6 月与亚马逊云服务（AWS）达成的 4.1 亿美元算力协议“与其说关乎

匹配字段正文

点，微调后高出 13 个 MRR 点。这些结果有力地支持了用 Kumo Relational 替换生产 XGBoost 流程。 简单与敏捷：一个预训练模型取代了针对各个任务的独立流程。新的预测变成一次查询，而不是一个项目，因此 ML 团队终于可以在组织的各个层面承接传统 ML 因过于繁琐而无法构建的用例。 能够预测的智能体：LLM 让智能体能够读取、写入和推理。结构化数据基础模型让它们能够预判接下来会发生什么，例如哪位客户会流失，并据此采取行动。Kumo Relational 已经构建为可由智能体调用，其预测查询语言（PQL）为它们提供了一个简单的接口来提出预测性问题。 今天，我们推出 Kumo Relational（ 论文 ，文档 ），这是一个预训练基础模型，将这一范式带入关系数据。连接数据库，描述要预测的内容，即可在单次前向传播中获得预测。无需训练。 Kumo Relational 的工作原理 大多数用于结构化数据的基础模型都在单个扁平表上运行。而现实世界的数据存在于关系数据库中：用户连接到订单，订单连接到产品，一切都在随时间演变。通过手动聚合（ 例如 ，“过去 30 天的平均订

匹配字段正文

列表，然后试着让它构建一个程序，在网上搜寻与递归自我改进相关的有趣研究。我还让Flint快速做了一个解释RSI工作原理的简单网站。你可以在这里看到。 目前尚不清楚其他美国实验室在追求递归自我改进方面取得了多少进展，但一些已发表的研究表明，完全递归的系统已经可行。例如，来自微软、卡内基梅隆大学和弗吉尼亚大学的一个团队最近发表的研究显示，一个AI编码智能体可以通过修改将推理转化为有用行动的软件框架以及自身模型的权重，来实现递归自我改进。 如果你接近构建出神一般的智能，完全RSI或许存在风险，但就目前而言，它似乎是改进自家AI模型的一种非常有前景的方式。这是我在之前几期AI Lab中有所尝试的内容。 确实，Socher说用于构建Flint的方法可以让前沿AI更易获得。“这是这个非常小的团队能够生产出实际上优于同类任何其他模型的唯一途径，”他告诉我。“这有望向人们表明，[递归自我改进]实际上相当不错，将使很多人受益。” 推出这款应用：充分利用《连线》的更多方式 Meta未能拦截数百条AI儿童虐待广告 重磅报道：寻找硅谷最有权势的女性 黑客进入了Flock摄像头——其数据揭示了该系统实际如何运作

匹配字段正文

。此后，至少在输入较短的情况下，Mercury 3 的输出成本将高于 GPT-6 Luna 和 Claude Haiku 5.5，后两者均收费 0.50 美元。不过，对于非常长的提示，两个竞争对手的收费要高得多。Mercury 3 一次最多可处理 100 万个 token。 该模型可在 Inception 自己的平台以及 OpenRouter、Baseten 和 Vercel 上使用。它使用与 OpenAI 模型相同的 API，因此 Inception 表示开发者可以轻松切换。 今年 2 月，Inception 发布了 Mercury 2，称其为首个在回答前通过中间步骤进行推理的扩散模型。在此之前，这家初创公司筹集了 5000 万美元。投资方包括 Nvidia、Microsoft 和 Snowflake 的风险投资部门 NVentures、M12 和 Snowflake Ventures。 谷歌正在研究同样的方法。其 Gemini Diffusion 演示之后，6 月又推出了开放模型 DiffusionGemma。谷歌表示，它的运行速度最高可达标准 Gemma 4 的四倍，但结果略弱。

匹配字段正文

1B BF16和1B NVFP4三种变体，Nemotron 3.5 Rerank 8B BF16，以及拥有6.31亿参数的Nemotron 3.5 Parse。 在NVIDIA发布于Hugging Face的公告中，该公司表示此次发布面向企业智能体工作流，新增了多模态检索、相关性排序和文档处理能力。NVIDIA将检索质量视为影响智能体所生成答案以及任务LLM推理成本的因素，并指出当返回的证据不完整或不相关时，智能体会执行更多搜索、审阅更多文档，在完成任务前消耗额外的推理token。 四种Embed和Rerank变体分别对应不同的部署角色。Nemotron 3.5 Embed 8B BF16定位于面向文本和视觉丰富文档的高质量搜索。1B BF16模型将8B模型的多模态检索能力浓缩到更小的体量中，用于多模态索引和查询服务。1B NVFP4模型对文本编码器和图像编码器均应用NVFP4量化，面向支持硬件上的大规模文档索引和高吞吐检索。Nemotron 3.5 Rerank 8B BF16对查询—文档对进行联合打分，以优化文本和图像候选的相关性排序，为检索增强生成和智能体工作流筛选证据。检索范围

匹配字段正文

Surgical旗下Versius系统的临床胆囊切除手术录像与机器人运动学数据进行微调，可根据器械操作指令实时生成手术场景视频。 据英伟达介绍，新模型将前代系统的桌面缝合模拟拓展至临床腹腔场景。用户输入初始内窥镜画面及机械臂控制指令后，系统可连续生成器械运动与组织响应画面，支持双臂位姿、钳口开合及电外科能量等28维动作输入，并通过FlashDreams流式推理库加速运行。 性能方面，官方模型卡显示，在单块RTX PRO 6000 Blackwell工作站版GPU上，以832×480分辨率运行时，四步去噪版本生成速度为30帧/秒，两步版本可达43.2帧/秒。两步版本经过单独训练，以部分画质换取更高速度。配套代码支持录制动作回放，也可连接配备双追踪控制器的WebXR兼容头显，进行实时交互控制。 英伟达表示，该模型主要面向手术机器人策略的仿真评估、遥操作研究及合成数据生成，开发者还可利用公开的微调与蒸馏指南，将其适配至其他数据集和机器人形态。 来源：Hugging Face 官方博客（NVIDIA） 投稿/爆料：tougao@youxituoluo.com 稿件/商务合作： 林南（微信 1

匹配字段正文

线的价值，还需要结合经验复用效果、资源开销和长期运行条件来综合判断。 那么又有朋友可能要问了， 为什么要用记忆原生？ 现有的外部记忆方案已经很成熟了，也有不错的实践案例，相比之下，记忆原生才刚起步，效果也大差不差。 非也！记忆原生也有个独到之处： 它让经验的表示与读写本身，开始成为模型能力扩展的对象，也就是MemT团队讨论的Memory Scaling，即从推理增长之外，找到模型性能增长的第三条曲线。 原来的经验有没有用，可以看检索后能否改善任务结果；到了MemT 1.0这里，还可以进一步追问：同样的经历，换一种内部表示、更新规则和读取方式，能不能用得更好？ 这让提升记忆效果多了 一组可以通过训练和架构设计调整的变量 。 诚然，这还远不能证明原生记忆的长期上限高于外部记忆，但至少围绕内部状态的训练与容量扩展，可以带来进一步的 能力收益 。 下一步是验证这些收益能否跨出当前训练分布，在更长交互和新任务中保持。 回到开头的RSI。 一旦打通了记忆原生，对 持续学习和RSI 的突破也是大有裨益。 众所周知，RSI有三块拼图，包括 记忆、反馈、验证与更新机制 ，其中记忆让有效结果能够延续，后两

匹配字段正文

或者长链路工作流，最怕遇到什么？ 两件事： 无休止的转圈等待，以及月底让人心惊肉跳的API账单。 一个真正的企业级Agent，在后台往往要调几十次工具、在好几个子Agent之间反复传话。 模型吐字慢，用户看着界面转圈直接关掉网页；调用单价贵，财务看一眼账单当场就能把项目叫停。 M3.1 Flash爽就爽在这里。 它底层上了相当 激进的稀疏注意力架构 。 线上推理速度直接拉升将近3倍，输出速度最快可达200+ TPS，中位数（P50）也稳稳维持在170+TPS。 170 TPS是什么概念？ 你在MiniMax Code桌面端、Claude Code或者各种本地Coding工具里派发一个重构任务，屏幕上的代码几乎是以倾泻的状态瞬间刷满。 以前串联四个子Agent像是在等红绿灯，现在几乎做到了无感刷新。 输入和输出价格直接腰斩，缓存读取费用更是直降75%。 结果就是，综合使用成本相比前代M3暴降70%。 那还说啥了， 站起来蹬吧家人们！！ 过去大家有个默认共识：Flash模型无非就是旗舰大模型的廉价阉割版。 选Flash是因为囊中羞涩或者任务太水，真到了关键、复杂的硬核场景，最后还得加钱上大

匹配字段正文

t协同或者长链路工作流，最怕遇到什么？ 两件事：无休止的转圈等待，以及月底让人心惊肉跳的API账单。 一个真正的企业级Agent，在后台往往要调几十次工具、在好几个子Agent之间反复传话。 模型吐字慢，用户看着界面转圈直接关掉网页；调用单价贵，财务看一眼账单当场就能把项目叫停。 M3.1 Flash爽就爽在这里。 它底层上了相当激进的稀疏注意力架构。 线上推理速度直接拉升将近3倍，输出速度最快可达200+ TPS，中位数（P50）也稳稳维持在170+TPS。 170 TPS是什么概念？ 你在MiniMax Code桌面端、Claude Code或者各种本地Coding工具里派发一个重构任务，屏幕上的代码几乎是以倾泻的状态瞬间刷满。 以前串联四个子Agent像是在等红绿灯，现在几乎做到了无感刷新。 输入和输出价格直接腰斩，缓存读取费用更是直降75%。 过去大家有个默认共识：Flash模型无非就是旗舰大模型的廉价阉割版。 选Flash是因为囊中羞涩或者任务太水，真到了关键、复杂的硬核场景，最后还得加钱上大参数旗舰Pro。 但现在呢？ DeepSeek V4.1 Flash 1017前脚刚

匹配字段正文