LFM-1B-Math：小模型能否成为简洁推理者？
Liquid AI 基于 1.3B 的 LFM 模型提出一套后训练方案，通过约 4.5M 样本的 SFT 加短程强化学习，得到 LFM-1.3B-Math，在有限回复预算下实现较强数学推理。SFT 采用 3e-4 学习率、训练 3 个 epoch（约 1000 亿 token），首轮即提升平均性能 36%，后两轮再增 7.6%。该模型无需数学专用预训练，面向边缘设备等资源受限部署。
#推理
#推理
今日 30 条Liquid AI 模型与工程博客（网页）AI 评分4646 Liquid AI 模型与工程博客（网页）AI 评分6161 Liquid AI 发布 LFM2.5-1.2B-Thinking，1.2B 参数端侧推理模型内存低于 900MB
Liquid AI 发布可在设备端运行的推理模型 LFM2.5-1.2B-Thinking，手机上内存占用低于 900MB，现已在 Hugging Face、LEAP 和 Playground 提供。
Fireworks AI（网页）精选AI 评分6565 Fireworks AI 教程：以不到 $10 微调 Qwen3-Embedding-8B 嵌入模型
Fireworks AI 发布低成本嵌入模型微调方法，用 InfoNCE 对比学习在平台上微调 Qwen3-Embedding-8B，成本不到 $10、约 150 步。
推荐理由：原文给出用 Qwen3-Embedding-8B 做对比微调的完整配方和三个真实检索任务的实测数据，还总结了哪些场景不会有效。
Fireworks AI（网页）精选AI 评分6565 Fireworks 上线 DeepSeek-V4.1-Flash，编码准确率媲美 GPT-6 Astra 成本仅 1/15
Fireworks 上线 DeepSeek-V4.1-Flash，在 DeepSWE 上以 74.34% 的 Pass@1 达到 GPT-6 Astra 水平，每任务成本 $0.43，约为 Astra 的 1/15。
推荐理由：原文给出 DeepSWE、Terminal-Bench 2.1 和 HLE 的具体成本与准确率数据，可帮助开发者评估智能体编码工作流的模型选型。
Cursor Blog精选AI 评分6969 Cursor 与 SpaceXAI 联合发布 Grok 4.6，聚焦长时程智能体任务
Cursor 团队与 SpaceXAI 今日联合发布 Grok 4.6，基于 Grok 4.5 打造，专注于长时间运行的智能体、更复杂的交互与视觉工作。在 Artificial Analysis Intelligence Index 上它与 GPT-5.6 Sol 持平（61 分），训练上进行了更长时间的补充训练、重新生成的 SFT 轨迹和广泛的智能体 RL。
推荐理由：原文给出训练方法、基准分数和定价细节，读者可以据此评估它在智能体编程场景中的定位。
Epoch AI：研究、数据与评测AI 评分1616 Epoch AI 的 FrontierMath：Tiers 1–4 数学基准
Epoch AI 的 FrontierMath 是一个由数百道未公开、高难度数学题组成的基准，分为 Tiers 1–4 四个难度层级。Tiers 1–3 覆盖从本科到适合高年级研究生的探索性问题，Tier 4 则是研究级数学。
Epoch AI：研究、数据与评测AI 评分2727 Epoch AI 探讨 AI 未来：并行化限制、智能爆炸与推理基准
Epoch AI 发布系列研究探讨 AI 未来走向，其中报告指出即使自动化 AI 研发能产出数百万虚拟研究员，进展仍可能受限于拆分、协调与重组工作的并行化能力。EBR-Bench 结果显示前沿模型在桌游 Earthborne Rangers 的 30 次通关中毫无进步，得分远低于人类专家。另一项研究考察四项能力指标，其中三项显示 AI 能力近期加速的强证据，驱动力来自推理模型。
Epoch AI：研究、数据与评测AI 评分4343 Epoch AI 数学基准动态：GPT-6 Astra 领跑数学，Claude 擅长软件工程
OpenAI 的 GPT-6 Astra 以 166 分登顶 Epoch Capabilities Index，Math-ECI 达 170 创下新纪录，但软件工程 SWE-ECI 为 164，仍落后 Claude Fable 5.1 的 167。
Epoch AI：研究、数据与评测AI 评分2828 Epoch AI 能力与基准测试中心：GPT-6 Astra 数学登顶，软件工程仍落后 Claude Fable 5.1
Epoch AI 更新其 AI 基准与能力中心，汇总内部测试与外部数据。GPT-6 Astra 以 166 分登顶 Epoch Capabilities Index，Math-ECI 达 170 创纪录，但 SWE-ECI 164 仍落后 Claude Fable 5.1 的 167。该中心还显示，自 2023 年以来同等 AI 性能的成本每季度下降约 47%，年降约 13 倍。
Epoch AI：研究、数据与评测AI 评分6464 Epoch AI 更新 FrontierMath 开放问题基准，新增 human + AI 解题状态并扩至 50 题
Epoch AI 的 FrontierMath 开放问题基准新增 human + AI 解题状态，用于 AI 有实质贡献但非自主解决的问题。
Cognition 模型 / Devin 博客（网页）精选AI 评分6565 Cognition 发布 SWE-grep 和 SWE-grep-mini，用 RL 训练快速并行上下文检索模型
Cognition 训练了 SWE-grep 和 SWE-grep-mini 两个快速智能体模型，专攻高度并行的上下文检索，检索能力匹敌前沿编码模型，耗时低一个数量级。
推荐理由：官方公布了模型设计、RL 训练细节和评测数字，读者可以借此了解并行上下文检索的实现路径。
Cognition 模型 / Devin 博客（网页）AI 评分6161 Cognition 发布 SWE-1.6 预览，SWE-Bench Pro 得分较 SWE-1.5 高 11%
Cognition 分享正在训练中的 SWE-1.6 早期预览：当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%（51.7% 对 40.1%），推理速度同为 950 tok/s，并向小部分用户开放早期访问。
Artificial Analysis 完整文章（网页）AI 评分6363 OpenBMB 发布 MiniCPM5-2B，登顶 4B 以下开源权重模型 Artificial Analysis 智能指数
OpenBMB 发布 2.6B 参数稠密推理模型 MiniCPM5-2B，以 Apache 2.0 协议开放权重，在 Artificial Analysis Intelligence Index v4.2 得分 15，为 4B 以下总参数开源权重模型最高。
Artificial Analysis 完整文章（网页）精选AI 评分7575 Artificial Analysis 评测 GPT-6 Astra：与 Claude Fable 5.1 并列两大指数第一且成本更低
Artificial Analysis 发布 GPT-6 Astra 基准测试报告，该模型在 Intelligence Index 得 53 分、Coding Agent Index 得 62 分，均与 Claude Fable 5.1 并列第一，且成本分别约为其 40% 和 60%。
推荐理由：原文给出 GPT-6 Astra 在两大指数中的得分、成本和 token 效率数据，可据此比较它与 Claude Fable 5.1 的实际表现。
ARC Prize：官方博客AI 评分6464 ARC Prize 发布首日更新：Kaggle 登顶并回应主要质疑
ARC Prize 发布上线 24 小时的首日更新：社媒累计浏览 67.5 万，登顶 Kaggle 竞赛榜，已有 700 名 Kaggle 参赛者、70 次提交，当前最高分 18%。
ARC Prize：官方博客AI 评分5050 ARC-AGI 私有评测新纪录 39%，ARC Prize 开赛 11 天获 4406 名参赛者
ARC Prize 通讯宣布 Jack Cole、Mohammed Osman 和 Michael Hodel 在 ARC-AGI 私有评测集上创下 39% 的首个新纪录。
ARC Prize：官方博客AI 评分6464 ARC Prize 推出 ARC-AGI Public Leaderboard 并投入 15 万美元验证基金
ARC Prize 官方推出 ARC-AGI-Pub 公开排行榜，使用公开评测集，取消算力限制、允许联网，并提供 15 万美元验证基金，对复现并验证的高分提交报销最高 $2,500 API 费用。
ARC Prize：官方博客AI 评分5959 MindsAI 以 41% 首次突破 ARC-AGI 40% 大关
ARC Prize 社区通讯宣布 Team MindsAI（Jack Cole、Michael Hodel、Mohammed Osman）以 41% 的新 SOTA 成绩首次突破 ARC-AGI 40% 大关。
Tomer Tunguz 博客（VC 分析）精选AI 评分6969 Tomer Tunguz 分析 AI 领域的开源模型替代潮
Tomer Tunguz 分析称企业、应用和销售各层买家正在用更便宜的开源模型替代前沿闭源模型，省下的钱并未缩小 AI 账单，而是被再投入到指数级增长的 token 用量。
推荐理由：作者用 Coinbase、Lindy、Harvey 等实例说明开源模型替代闭源模型后节省被再投入更多 token，提供一个理解 AI 成本结构的框架。
ARC Prize：官方博客AI 评分4848 ARC Prize 2024 赛程过半：ARC-AGI 世界纪录提升 13%
ARC Prize 2024 赛程过半，ARC-AGI 世界纪录提升 13%，达到 46%，由 Jack Cole 与团队 MindsAI 连续第三次刷新。Kaggle 参赛者已超 11,000 人，目前有 4 支队伍得分超过 30%。
ARC Prize：官方博客精选AI 评分6868 ARC Prize 测评 OpenAI o1 在 ARC-AGI-Pub 的表现
ARC Prize 用同一基线测试框架实测 OpenAI o1-preview 和 o1-mini：o1-preview 在 ARC-AGI 公开评测得 21.2%，与 Claude 3.5 Sonnet（21%）相当，但单任务平均耗时 4.2 分钟，约为 Sonnet 的 10 倍，400 道公开题共花 70 小时，而 GPT-4o 和 Sonnet 只需 30 分钟。
推荐理由：ARC Prize 用同一测试框架给出 o1 在 ARC-AGI-Pub 的基线分数和耗时对比，并分析了测试时计算扩展的效率问题。
ARC Prize：官方博客AI 评分6363 ARC Prize 主办讲座：结合深度学习与程序合成攻克 ARC-AGI
ARC Prize 主办线上活动，Mike Knoop 和 François Chollet 讲解为何纯深度学习难以攻克 ARC-AGI，并提出结合深度学习与程序合成的技术路径。
ARC Prize：官方博客AI 评分6262 ARC Prize 公布 2024 获奖名单并发布技术报告，ARC-AGI-1 SOTA 升至 55.5%
ARC Prize 官方公布 2024 年获奖名单并发布技术报告，共 1,430 支团队提交 17,789 份方案，大奖仍未被认领。the ARChitects 以 53.5% 获第一名并获 2.5 万美元，Kaggle 竞赛期间 ARC-AGI-1 SOTA 从 33% 升至 55.5%（MindsAI 因未开源不符获奖资格）。
ARC Prize：官方博客AI 评分5959 ARC Prize 复盘 2024 年 ARC-AGI-Pub 榜单两项 SOTA 方案
ARC Prize 介绍 2024 年 ARC Prize 竞赛末期两个登上 ARC-AGI 公开榜单新 SOTA 的开源方案。
ARC Prize：官方博客精选AI 评分8585 ARC Prize 公布 OpenAI o3 在 ARC-AGI-Pub 上取得突破性高分
OpenAI 新版 o3 在 ARC-AGI 半私评测集上以 1 万美元算力上限取得 75.7%，高算力（172 倍）配置得分 87.5%，成为公共榜首。
推荐理由：官方测试方披露了 o3 各算力档的得分与每任务成本，并给出对其程序搜索机制的独立分析。
ARC Prize：官方博客AI 评分5757 ARC Prize 成立非营利基金会，Greg Kamradt 出任主席并筹备 2025 年赛事
ARC Prize 宣布转型为 501(c)(3) 非营利基金会，2024 年联合负责人 Greg Kamradt 出任主席并加入董事会。ARC-AGI-2 基准与论文将于 2025 年第一季度末发布并用于 2025 年赛事，ARC-AGI-3 已在开发中；2024 年赛事有超过 1400 支队伍提交 1.7 万份方案，基金会还计划与前沿实验室合作并在 1 月中旬启动募资。
ARC Prize：官方博客精选AI 评分6868 ARC Prize 分析 DeepSeek R1-Zero 与 R1 测试结果：R1-Zero 比 R1 更重要
ARC Prize Foundation 发布对 DeepSeek R1-Zero 和 R1 的分析，两者在 ARC-AGI-1 上分别得 14% 和 15.8%，与 o1 低算力的 20.5% 接近，而 GPT-4o 为 5%。
推荐理由：ARC Prize 一手实测了 R1-Zero 与 R1 在 ARC-AGI-1 上的表现，提出 SFT 与纯 RL 的角色区分这一可讨论的判断。
ARC Prize：官方博客AI 评分4444 ARC Prize 推出 SnakeBench：50 个 LLM 贪吃蛇对战基准
ARC Prize 发布实验性基准 SnakeBench，用 2.8K 场 LLM 贪吃蛇头对头对战测试模型在动态环境中的实时决策与长期策略。o3-mini 与 DeepSeek-R1 在排行榜领先，ELO 分别为 1825 和 1801，推理模型在对阵其他 LLM 时赢下 78% 的对局。代码与结果已开源，完整 50 个 LLM 排行榜见 SnakeBench.com。
ARC Prize：官方博客精选AI 评分6666 ARC Prize 基金会发布 ARC-AGI-2 基准并启动 ARC Prize 2025 竞赛
ARC Prize 基金会发布 ARC-AGI-2 基准并同步启动 ARC Prize 2025 竞赛，总奖金 100 万美元，Kaggle 赛程为 3 月 26 日至 11 月 3 日。
推荐理由：官方同步给出人机对比分数和成本数据，读者可以据此了解 AI 推理系统在新基准上的真实差距。
ARC Prize：官方博客精选AI 评分6969 ARC Prize 实测 o3 与 o4-mini 在 ARC-AGI 上的表现
ARC Prize Foundation 发布 o3 和 o4-mini 在 ARC-AGI 上的首次公开评测：o3-medium 在 ARC-AGI-1 Semi Private Eval 得 53%，o4-mini-medium 得 42%，两者在 ARC-AGI-2 上均低于 3%。
推荐理由：ARC Prize 官方实测给出了 o3 与 o4-mini 在 ARC-AGI 两代基准上的准确率、成本和 high 推理不完整覆盖的数据细节。
ARC Prize：官方博客精选AI 评分6666 ARC Prize 发布 ARC-AGI-2 技术报告，前沿模型得分不足 5%
ARC Prize 发布 ARC-AGI-2 技术报告，推出比 ARC-AGI-1 更细粒度评估抽象推理的新基准。400 人实测 1,417 个任务全部可被人类解出，平均每题约 2.3 分钟；发布时所有前沿模型成功率不足 5%，而同类模型在 ARC-AGI-1 上通常达 20%-50%。
推荐理由：原文给出人类与当前模型在同一新基准上的实测对比，读者可以据此评估推理能力的差距所在。
Tomer Tunguz 博客（VC 分析）AI 评分3737 Theory Ventures 成立三周年：AI 压缩时间如何重塑风投与推理市场
Theory Ventures 在成立三周年回顾中提出，AI 正在压缩时间：新模型每 41 天发布一次，企业以创纪录速度达到 1 亿美元营收，推理已成为 AI 的主导市场。该机构认为 seed 轮规模已从 100 万美元延伸至 5 亿美元，传统融资阶段分类不再代表公司成熟度；闭源与开源、云端与本地模型的差距也在收窄，本地运行可降低成本、改善延迟并减少数据治理顾虑。
ARC Prize：官方博客精选AI 评分7070 ARC Prize 实测各大推理模型：ARC-AGI-1 无明显赢家，ARC-AGI-2 仍未被攻克
ARC Prize 测试了各大实验室的 AI 推理系统，在 ARC-AGI-1 上得出准确率与成本的 Pareto 前沿，没有单一赢家：追求最高准确率选 OpenAI o3-medium/o3-high（o3-preview low 为 75.7% 但单任务 $200）。
推荐理由：ARC Prize 用统一基准横向比较各大推理系统，给出按准确率、成本和效率选型的具体建议，可直接用于模型选型。
Tomer Tunguz 博客（VC 分析）精选AI 评分6060 Tomasz Tunguz：AI 模型的用户留存介于社交网络与手游之间
Tomasz Tunguz 提出 AI 如同一个漏水筛子，前沿模型平均保持领先约 41 天，用户留存率在个位数高位到约 40% 之间，介于社交网络（约 80%）与手游（百分之几）之间。同等智能水平的价格每年约下降 10 倍，如 Grok 4.5 以每任务 $0.31 达到 Intelligence Index 54 分，买家每 41 天获得更多议价筹码，创业公司可随每月赢家切换模型。
推荐理由：作者用用户留存曲线和智能单价数据，把 AI 模型的用户流失放到软件、社交网络与手游之间定位。
ARC Prize：官方博客AI 评分6363 ARC Prize 复测 HRM 在 ARC-AGI 上的表现并拆解性能来源
ARC Prize 在 ARC-AGI Semi-Private 隐藏集上复测 Hierarchical Reasoning Model，得分为 ARC-AGI-1 32%、ARC-AGI-2 2%，大体复现论文声明（原文声称 41%）。
ARC Prize：官方博客精选AI 评分6666 ARC Prize 发布 ARC-AGI-3 Preview 30 天总结：人类轻松通关，AI 智能体进展艰难
ARC Prize 基金会总结 ARC-AGI-3 Preview 上线 30 天的发现，首个交互式推理基准显示人类大多能通关游戏，AI 智能体则难以高效推进。竞赛收到 12 份提交，冠军 StochasticGoose 得分 12.58%，完成 18 个关卡，团队还提出以行动效率衡量智能，并计划增加撤销、离线引擎等改进。
推荐理由：原文给出了人类与 AI 在交互式推理基准上的行动效率差距和评分框架，读者可以据此理解智能评测的新方向。
Tomer Tunguz 博客（VC 分析）AI 评分5656 Tomer Tunguz 分析开源模型如何逼近闭源前沿：追赶与商品化循环
Tomer Tunguz 撰文认为开源权重模型已多次追平闭源前沿模型，从 DeepSeek R1 到 GLM-4.6、GLM-5.2 和 Kimi K3，但 GPT-5.2 级闭源模型与 Opus 仍率先制造跃迁时刻。
ARC Prize：官方博客AI 评分5858 ARC Prize 推出 Verified 认证计划并引入独立学术小组审计测试流程
ARC Prize Foundation 宣布推出 ARC Prize Verified 计划，通过官方隐藏测试集认证模型在 ARC-AGI 上的成绩，通过者可进入官方榜单并获得认证徽章。
ARC Prize：官方博客精选AI 评分7272 ARC Prize 2025 结果与分析：NVARC 以 24.03% 夺冠，官方聚焦 refinement loop 与知识过拟合
ARC Prize 2025 结束，Kaggle 冠军 NVARC 在 ARC-AGI-2 私有集上取得 24.03%（每任务 $0.20），大奖仍未被认领；共 1,455 支队伍提交 15,154 份方案、90 篇论文，获奖方案与论文全部开源。
推荐理由：官方复盘 ARC Prize 2025 结果，提出 refinement loop 框架，并分析知识过拟合与基准设计需要演进的问题。
ARC Prize：官方博客AI 评分5454 ARC Prize 发布 ARC-AGI-3 人类表现数据集：458 人实测，25 个公开环境全部可被人类解出
ARC Prize Foundation 发布 ARC-AGI-3 人类数据集，这是一项 458 名普通参与者参加的对照测试，也是 ARC-AGI 系列迄今最大规模的人类测试研究。