人工智能在医疗领域的应用再次迎来重大突破!一项由哈佛大学、斯坦福大学等多所顶尖机构联合开展的研究显示，OpenAI 的 o1-preview 模型在多项医学推理任务中表现出惊人的能力，甚至超越了人类医生。这项研究不仅评估了该模型在医学多项选择题基准测试中的表现，更着重考察了其在模拟真实临床场景下的诊断和管理能力，结果令人瞩目。研究人员通过五个实验，对 o1-preview 模型进行了全面评估，包括鉴别诊断生成、展示诊断推理过程、分诊鉴别诊断、概率推理和管理推理。这些实验均

OpenAI 正式发布了其最新的 o-Model 推理系列模型 ——OpenAI o3。作为继任者，o3在数学和科学推理方面展现了显著的进步，引发了业界对其能力与局限性的广泛讨论。OpenAI 表示，o3的设计旨在提升处理结构化思维需求的推理能力，尤其是在数学和科学领域。该模型在一项专门的推理基准测试 ARC AGI 中表现优异，得分从之前模型的32% 跃升至87%。这一进步标志着 o3在解决复杂逻辑和数学问题上的能力有了显著提升。o3的性能表现尤为引人关注。在高级数学测试中，o3的成功率达到96.7%，相比之前的

近日，北京大学等科研团队宣布发布了一款名为 LLaVA-o1的多模态开源模型，据称这是首个能够进行自发、系统推理的视觉语言模型，堪比 GPT-o1。该模型在六个具有挑战性的多模态基准测试中表现优异，其11B 参数的版本超越了其他竞争者，如 Gemini-1.5-pro、GPT-4o-mini 和 Llama-3.2-90B-Vision-Instruct。LLaVA-o1基于 Llama-3.2-Vision 模型，采用了 “慢思考” 推理机制，能够自主进行更加复杂的推理过程，超越了传统的思维链提示方法。在多模态推理基准测试中，LLaVA-o1的表现超出了其基础模型8.9%。该模型的

月之暗面旗下Kimi智能助手宣布 Kimi 探索版再进化，引入搜索意图增强、信源分析和链式思考三大推理能力。意图增强能力使Kimi探索版能够将抽象和模糊的问题具体化，拓展用户的真实搜索意图。 信源分析能力让Kimi探索版从大量搜索结果中筛选出更具权威性和可靠性的信源，并提供溯源链接，精确到段落级别。 ​链式思考能力则使Kimi探索版能够基于思维链推理能力处理产品、公司、行业等研究问题。

来自德国达姆施塔特工业大学的最新研究揭示了一个令人深思的现象:即便是当前最先进的AI图像模型，在面对简单的视觉推理任务时也会出现明显失误。这项研究结果对AI视觉能力的评估标准提出了新的思考。研究团队采用了由俄罗斯科学家Michail Bongard设计的Bongard问题作为测试工具。这类视觉谜题由12张简单图像组成，分为两组，要求识别出区分这两组的规则。对于大多数人来说，这种抽象推理任务并不困难，但AI模型的表现却令人意外。即便是目前被认为最先进的多模态模型GPT-4o，在100个

Meta 的 FAIR 团队最近推出了一款名为 Dualformer 的全新 Transformer 模型，该模型模仿人类的双重认知系统，能够无缝整合快速和慢速推理模式，在推理能力和计算效率上取得了显著突破。人类的思维过程通常被认为是由两种系统控制的:系统1快速直观，系统2则更慢但更具逻辑性。传统的 Transformer 模型通常只模拟了系统1或系统2中的一种，导致模型要么速度快但推理能力差，要么推理能力强但速度慢且计算成本高。Dualformer 的创新之处在于其训练方式。研究人员利用随机推理轨迹对模型进行训练

一个名为OpenR的创新开源框架近日问世，旨在解决大型语言模型（LLMs）在复杂推理任务中的短板。这一由伦敦大学学院、利物浦大学、上海交通大学、香港科技大学(广州)和西湖大学研究人员联合开发的框架，通过结合测试时计算、强化学习和过程监督，为提升LLMs的推理能力开辟了新途径。尽管LLMs在语言生成方面取得了显著进展，但在处理数学、编程和科学问题等复杂任务时仍面临挑战。OpenR的出现正是为了弥补这一差距，将LLMs的能力从简单的文本生成拓展到更高级的推理领域。OpenR的设

最近，苹果公司进行了一项关于大语言模型（LLM）推理能力的研究，引发了人们对这些模型在数学领域表现的关注。众所周知，GSM8K 基准测试被广泛用于评估模型在小学数学问题上的推理能力。尽管 LLM 在 GSM8K 上的表现近年来有所提高，但研究人员对此结果的可靠性产生了质疑。因此，他们进行了大规模的研究，探讨当前最先进的开源和闭源模型的表现。为了更好地评估模型的推理能力，研究团队引入了一种改进的基准测试 ——GSM-Symbolic。这个新基准测试使用符号模板生成多样化的问题，

日前，不少用户反馈， Kimi已经开始内测"探索版"，获得内测资格的用户只要子啊在输入框中输入 “/”，就能看到新的功能选项。从Kimi探索版截图界面可以看到，页面会提示:输入 “/”使用 Kimi探索版，解决复杂的搜索问题。值得一提的是，由于处于功能内测中，目前每个获得内测权限的账号每天也只能使用5次。据了解， Kimi探索版在智力和推理能力有了非常大的提升，尤其是在数学、编程等领域表现突出。用户在提出一个问题时，Kimi探索版首先会对问题进行拆解，然后再进行深度的搜索

近日，智谱科技推出了一款基于思维链的全新AI搜索工具，其强大的功能引发了业内广泛关注。这款工具不仅整合了网页深度阅读和多步推理能力，还能与智谱其他AI工具无缝联动，为用户带来前所未有的搜索体验。在OpenAI发布O1和O1mini模型后，思维链和模型推理能力的价值得到了广泛认可。这些技术在事实核查和复杂问题解决方面展现出巨大潜力。而在众多应用场景中，搜索无疑是离普通用户最近的需求之一。智谱新推出的AI搜索工具正是顺应这一趋势，通过结合推理能力和长文本阅读，

最近，米拉研究所、谷歌 DeepMind 和微软研究院的研究人员对 AI 语言模型的推理能力进行了深入调查，发现小型和便宜的模型在解决复杂问题时存在显著不足。这项研究的是一个名为 “组合 GSM” 的测试，目的是评估这些模型在解决链式的基础数学问题方面的表现。图源备注:图片由AI生成，图片授权服务商Midjourney研究人员结合了 GSM8K 数据集中的两个问题，使用第一个问题的答案作为第二个问题的变量进行测试。结果显示，大多数模型在这些复杂的推理任务中表现远低于预期，尤其是在小型

2024年9月21日，同方知网与华为云联合主办的华知大模型行业应用研讨会在上海举行，会上发布了华知大模型5.0版本。该版本在适用场景、推理能力、内容生成可信度等方面进行了全面升级，并推出了智能PPT、AI科技查新、华知APP、3D全息交互数字人等新应用。

最近，OpenAI 推出了其最新的人工智能模型系列 o1，这一系列模型在一些逻辑任务中表现出了非常先进的能力，因此公司对其潜在风险进行了谨慎评估。根据内部和外部的评估，OpenAI 将 o1模型分类为 “中等风险”。为什么会有这样的风险评级呢?首先，o1模型展现了与人类相似的推理能力，能够生成与人类在同一主题上撰写的论点同样令人信服的文本。这种劝说能力并非 o1模型所独有，之前的一些 AI 模型也表现出了类似的能力，有时甚至超过人类的水平。其次，评估结果显示，o1模型可以协

OpenAI 推出了全新的模型系列 OpenAI o1，这个新模型在推理能力上表现得更加出色，相较于之前的模型，它的表现令人期待。OpenAI o1:更强的推理能力这是一系列全新的推理模型，旨在帮助解决复杂问题。这些模型经过特别训练，可以在作出回应之前，花更多时间进行思考，能够在科学、编码和数学等领域解决比以往更具挑战性的问题，OpenAI o1将先在 ChatGPT 和 API 上推出。新模型是怎么运作的呢?官方介绍，它们经过专门的训练，学习如何像人类一样思考问题，尝试不同的解决策略，并及时识别错误。

OpenAI 正准备发布名为“草莓（Strawberry）”的最新 AI 模型，预计两周内在 ChatGPT 上线。这个模型通过多步骤推理解决复杂问题，被定位为一种推理模型，能够处理如解答高难度代数题或设计耗时数月的市场营销活动等任务。值得注意的是，“草莓”仅支持文本处理，与具备图像和音频处理能力的旗舰模型 GPT-4不同。然而，该模型在响应速度上可能较慢，处理一个查询可能需要10到20秒。尽管回答质量有所提升，但等待时间较长。由于计算需求增加，模型可能会设定每小时消息发送数量限制，并可能提供一个高价层级以加速响应速度。

谷歌 DeepMind 团队与高校合作开发了一种名为生成奖励模型 (GenRM) 的创新方法，旨在提升生成式 AI 在推理任务中的准确性和可靠性。GenRM 将验证过程融入文本生成任务，允许模型同时生成和评估潜在解决方案，同时支持链式推理（CoT），增强验证过程的全面性。相较于传统方法，GenRM 在多项测试中表现出显著优势，准确率提高16%至64%，特别是在学龄前数学和算法问题解决上，问题解决成功率从73%提升至92.8%。这一方法标志着生成式 AI 领域的重大进步，通过统一生成与验证过程，显著提升了 AI 在高风险领域应用的准确性和可信度。

LMSYS组织的大模型竞技场—Chatbot Arena最新榜单显示，LMSYS Chatbot Arena的总排名11超越诸多开源模型如Llama3-70B、Qwen2-72B、Nemotron-4-340B、Gemma2-27B，位居全球开源模型榜首。DeepSeek-V2-0628，相较于0507版本，显著提升了在代码数学推理、指令跟随、角色扮演、JSON Output能力，特别是在难问题、代码、长问题和数学领域与GPT-4-Turbo-0409、Claude3Opus等领先模型并驾齐驱。DeepSeek-V2-0628在全球与国内模型评比中均显卓著，国内排名第二位，并已于2024年6月28日上线服务，提供性价比极高的API和网页端访问。

OpenAI新项目「草莓」，原名Q*，创新性让AI预先规划任务，自主上网收集信息，甚至进行深度研究。马斯克以「无尽草莓田」表达对其前景的乐观态度。草莓计划的运作细节保密，仅在内部高度机密进行，发布时间未公开。最近一次展示的版本显示，草莓在推理能力上已近乎媲美人类。实验性地，OpenAI采纳了类似斯坦福大学「自我教导推理者」（STaR）的技术，经过迭代以提高AI推理能力。基于少量推理示例和大量非推理数据，草莓模型通过重复修正现有错误推理并新增正确的推理过程来自我提升。StrA因而能回答问题并阐述出推理原因。OpenAI希望草莓的创新显著提升AI推理能力及管理长时间任务，包括创建并评价「深度研究」数据集，此项目目标是实现AI通用智能（AGI），对人类认知的探索进入崭新阶段。

近期,麻省理工学院研究团队对大型语言模型(LLMs)在不同任务下的表现进行了深入探讨。研究发现,LLMs在熟悉任务上表现良好,但却在面对非典型或未知情境时显现出推理能力的严重局限。通过比较“默认任务”与“反事实场景”,以及调整任务设计以测试模型反应,结果表明,尽管模型在十进制算术运算相当出色,但在非十进制环境以及音乐、空间推理和国际象棋等其他任务中表现出完全不同的表现。模型的不稳定表现和对训练数据的直接记忆依赖,揭示了其在面对变动环境中较为有限的逻辑应用能力。研究主要作者指出,LLMs更加擅长于在熟悉场景下利用已知信息,而非灵活运用逻辑推理处理环境变化。这一发现对未来模型设计具有重要意义,尤其是在适应性和多任务处理能力提升方面,并指出了研究领域的新方向,力图构建更具普适性和鲁棒性的AI模型原型,应对真实世界复杂多变的挑战。当前研究的局限性在于对候选模型评估的维度和环境的限制,未来需进一步扩大评估范围,以全面揭示模型在真实世界应用中的潜在限制。

​近日，来自国内昆仑万维颜水成团队与新加坡南洋理工大学的研究团队发布了一项名为 Q * 的项目，旨在提升小模型的推理能力。这一项目不同于 OpenAI，却能让小模型达到参数量比其大数十倍、甚至上百倍模型的推理能力。