Empero 开源了 Qwythos-9B-Claude-Mythos-5-1M，这是一款增强推理能力的小模型，拥有 90 亿参数。该模型通过高质量数据提升复杂推理任务的表现，支持长上下文和工具调用，拓展了多模态应用。HyperAI 提供了快速部署和测试的资源，方便开发者使用。

自一致性是一种新型解码策略，通过生成多个独立推理路径并选择最一致的答案，显著提升大型语言模型的推理能力。该方法克服了传统链式思维的局限，允许模型在选择答案前探索多种可能性，从而提高准确性。实验表明，自一致性在算术、常识和符号推理任务中表现优异，证明更好的推理不一定依赖于更大的模型或额外的训练。

本文比较了ChatGPT、Gemini和Claude三种模型的架构差异。三者均基于变换器架构，但在训练方法、密度、多模态处理、上下文窗口和对齐方式上存在显著不同。Gemini采用专家混合模型，支持多模态输入；OpenAI通过人类反馈强化学习优化模型；Anthropic使用宪法AI进行自我修正。尽管起点不同，三者在推理能力上逐渐趋同，均采用显式推理令牌以提升性能。

Anthropic的研究发现，Claude模型内部存在类似人脑的“J-space”，用于处理意识和潜意识的思维。实验验证了J-space的可报告性、可操控性和推理能力。尽管Claude在多步推理中表现不佳，但其基本功能正常。研究表明Claude的思维结构与人脑相似，但并不具备真正的意识。

京东在开放原子开源基金会捐赠仪式上，将自主研发的大模型推理引擎Oxygen xLLM捐赠给基金会，旨在推动国产AI基础设施的智能化发展。该引擎采用服务-引擎解耦架构，提升资源利用率和性能，已在多个行业成功应用。未来，京东将与更多合作伙伴共同构建生态，推动国产推理能力的标准化和规模化应用。

xAI的Grok 4.3模型已在Amazon Bedrock上线，成为其模型供应商之一。该模型专注于推理能力，适用于客户支持和网站开发等企业场景，具备高效的工具调用和指令遵循能力，能够在高并发情况下控制成本。Grok 4.3运行于Amazon Mantle引擎，支持结构化输出和流式响应。

大型语言模型在多步推理任务中的表现有限。研究提出了“链式思维提示”，鼓励模型展示推理过程后再给出答案，从而显著提升推理能力。这一方法无需额外训练，适用于算术、常识和符号推理任务，尤其在大型模型中效果显著。研究表明，适当的提示可以激发推理能力，改变了对语言模型推理的理解。

DeepSeek V4 Pro在精度和指令遵循方面优于GPT-5.5 Pro，尤其在复杂任务处理上表现更佳。测试显示，DeepSeek在日志处理和邮件生成等任务中更能准确执行要求，而GPT常常添加多余信息。尽管DeepSeek成本低廉，但推理深度仍不及GPT。社区对评估方法提出质疑，认为样本量小且缺乏科学性。总体来看，DeepSeek提供了“足够好”的性能，但顶尖推理能力仍由GPT和Claude掌握。

本文探讨了大语言模型的核心原理，强调知识和推理能力分布在权重网络中，而非独立模块。通过类比人类大脑，讨论了意识的涌现理论及人类对AI的情感投射，指出人类对自身智能的理解仍存在许多未解之谜。

Claude Opus 4.8在ARC-AGI-3测试中得分超过1%，尽管分数较低，但显示出AI开始具备原始推理能力。该测试要求AI在新规则下进行自适应推理，避免死记硬背，得分表明AI在陌生环境中尝试理解规则，展现出学习潜力，尽管仍有不足。这一进展被视为通向通用人工智能的重要一步。

快手发布了多模态大模型Keye-VL-2.0-30B-A3B，具备深度视频理解能力，采用DSA机制处理超长视频上下文，提升推理效率和准确性。该模型能够精准识别视频细节，提供高情商建议，并在复杂任务中展现强大的逻辑推理能力，标志着快手在多模态理解和自动化调度方面的重大进展，推动内容生产智能化。

李飞飞团队发布了ESI-Bench，这是一个用于评测具身空间智能的新基准。该基准要求AI主动探索以获取信息，研究显示当前AI在空间智能方面，尤其是主动探索和推理能力上仍存在不足。ESI-Bench包含3081个任务实例，覆盖人类核心空间认知能力，旨在提升AI的空间推理能力。

CX-Mind是首个将胸片诊断转化为可验证推理链的多模态大模型，提升了医学影像AI的推理能力，解决了传统AI模型的黑箱问题。该模型在多个评测中表现优异，尤其在真实世界测试中获得医生高度认可，标志着医学AI从视觉模型向推理模型的转变。

大模型在逻辑推理方面存在短板，尽管在专业知识测试中表现良好，但在日常场景的通用推理中准确率较低。美团LongCat团队发布的General 365基准测试揭示了当前模型的真实能力，强调推理能力与专业知识的解耦。测试结果显示，主流模型普遍未能达到及格线，反映出其在复杂逻辑任务中的不足。

代理式人工智能（Agentic AI）是具备自主性、推理能力和执行能力的系统，能够独立完成复杂任务。与传统生成式AI不同，Agentic AI能自主规划、调用外部工具并自我修正。其核心架构包括规划、记忆、工具使用和多代理协作，应用于软件开发、自动化营销和个人助理等领域。尽管面临安全性和成本控制挑战，Agentic AI标志着人工智能向行动式的重大转变。

本文介绍了空间功能智能基准（SFI-Bench），用于评估多模态大语言模型的高级推理能力。SFI-Bench包含1700多个基于视频的问题，重点评估结构化空间推理和功能推理。实验结果显示，现有模型在整合空间记忆与功能知识方面存在瓶颈，强调了提升多模态智能代理的必要性。