模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。
Reflection 发布首个免费模型 Beam，面向编码、逻辑推理与智能体任务，MoE 架构总参数 501B、每 token 激活 23B。公司称 Beam 在高难度推理任务上以 3 到 4 倍更少的算力匹配 GLM 5.2，编码与智能体基准接近 Qwen3.8-Max，但原始性能仍弱于 Kimi K3。
推荐理由：原文给出 Beam 与 GLM 5.2、Qwen 3.8 的同性能算力对比，读者可据此判断低算力开源模型的竞争位置。
Reflection AI 正式发布首款前沿开放权重模型 Beam，为 501B 总参数、23B 激活参数的纯文本 MoE 模型，预训练数据 23.8T tokens，上下文窗口 100 万 token。
推荐理由：原文把 Beam 的参数规模、上下文窗口与 GLM-5.2 等对手并列对比，读者可据此判断其低算力成本主张的分量。
OpenAI 宣布其模型解决了数学界最著名的问题之一，随即引发关于作者身份与学术标准的争议。Scott Aaronson 称人类数学家已不再是地球上主要的定理证明实体，而 AI 证明虽经逻辑验证却跳过了数学家赖以为生的理解过程。
推荐理由：原文记录了数学界对 AI 证明定理的集体焦虑与分歧，读者可据此判断纯数学领域的激励结构将如何被改写。
MIT博士生 Alex Zhang 在 Latent Space 访谈中解释 RLM（Recursive Language Model）：一种唯一工具是代码、模型可递归调用自身、上下文始终卸载到代码环境内存中的 harness 设计。
推荐理由：访谈给出了 RLM 作为 harness 设计的具体机制和组合泛化证据，读者可据此判断它与 Claude Code、Codex 这类轨迹即提示词框架的差异。
GPT-6 Astra Ultrafast 现已在 OpenAI API 上线，并向符合条件的 ChatGPT Work 和 Codex 用户开放，运行于 NVIDIA Blackwell GPU，token 生成速度最高比 Astra Standard 模式快 8 倍。
推荐理由：原文给出 Ultrafast 相对 Astra Standard 最高 8 倍的提速幅度与编码工作流影响，读者可据此判断是否切换到该模式。
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet MAE预训练encoder再迁移到抽象格子推理。最佳单模型参数量0.6B，在ARC-1上pass@2达63.4%，集成后达70.2%；作为参照，专用LLM系统The ARChitects用8B模型拿到71.6%。
推荐理由：论文显示ImageNet自然图像预训练可迁移到ARC抽象格子推理，用约四分之一参数量逼近专用LLM系统。
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1 拿到 77.9%、CWE-bench v1 拿到 68%，并以 68.90% 登顶 Vals Index、1525 分位居 Text Arena 第一。
推荐理由：原文并列了 Argon 与 GPT-6 Astra、Opus 5.5 的跑分和定价对比，读者可据此判断这代旗舰模型的实际位置。
Google 正式发布 Gemini 4 Argon，官方跑分中 18 项测试有 13 项领先，输出上限从 6.4 万 token 拉升至 100 万 token。
推荐理由：原文对比了 Gemini 4 在知识、写作与编程能力上的表现差异，并给出定价对照，便于判断其适用场景。
Google 发布 Gemini 4 Argon，这是自 Gemini 3.1 Pro 以来七个多月的首款前沿模型，初步评测追平 GPT-6 Astra 但仍未超过 Claude Opus 5.5。
推荐理由：借助 Artificial Analysis 与 Arena 的独立评测，可以看出 Argon 在推理与写作上追平 GPT-6 Astra，但 token 消耗更高、应用体验仍落后。
OpenAI研究员、o1核心作者Noam Brown在最新播客中表示，1万个Agent耗时88小时解出千禧年数学难题，多智能体最多只占10%功劳，核心在于模型本身足够强大。他透露当前多智能体测试规模最多仅16个Agent，并认为受限于实验串行与GPU等瓶颈，递归自我改进不会带来一夜之间的百倍智能爆炸。他还警告思维链可监测性正在下降，需在模型能执行长周期任务前尽快解决对齐问题。
推荐理由：OpenAI 推理负责人亲自拆解万 Agent 解题的能力归因，并给出对递归自我改进与对齐难题的内部判断。
Anthropic 于 9 月 22 日发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna。GPT-6 Luna 与 Sol 定价仅为 GPT-5.6 同名型号的一半，Luna 为 $0.10/M 输入与 $0.50/M 输出；Opus 5.5 则比 Opus 5.0 便宜 20%，缓存读取价格下降 60%。
推荐理由：作者把一天内发布的四款新模型放进同一张定价对照表，并给出实测印象，读者可据此判断这轮价格战如何改变模型选型。
上周 TypeSafe AI 发布 Jev，一种被称为 System One 的决策模型：接收文本或半结构化输入，直接输出分类、是非判断、评分及置信度等浮点数结果，而非文本。
推荐理由：文章梳理了 Jev 这类决策模型的输入输出形式、计费方式与适用场景，并提示了纯数值输出带来的黑盒偏见风险。
TypeSafe 推出 JEV 模型，它不生成自由文本，只针对输入返回选择、评分或布尔判断，定位为“快思考”的 System 1 模型。
推荐理由：文章对比了 JEV 与普通 LLM 在判断任务上的差异，并给出把任务拆成小判断加代码组合的适配方法，便于判断是否要改造现有工作流。
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模与成本效率，后者面向高复杂度任务的多步推理。
推荐理由：原文给出了两款实时语音对话模型的能力定位与基准成绩，读者可据此判断它们在语音智能体场景中的适用性。
OpenAI 发布 GPT-6 Astra，称其为面向企业的最强模型，具备高级推理、计算机使用以及更强的写作与设计判断能力。
Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber 两款模型，分别面向智能体工作流与网络安全。
推荐理由：原文列出了 Gemini 3.8 系列在编码与网络安全基准上对标前沿模型的表现及价格，读者可据此评估其替换现有工作流的成本收益。
OX-Alpha 于 21 号在 OpenRouter 上线，定位是面向高效编程、常识推理和 Agent 工作的前沿模型，支持 100 万 Token 上下文与文本、图像和视频输入，目前已在 Cline、OpenCode、Hermes 等 Agent 上免费上线。
推荐理由：汇总了 OX-Alpha 的定位、上下文长度与基准表现，并附作者实测对比，便于判断其在编程与 Agent 场景的可用性。
本期《晚点聊》邀请 RadixArk 创始成员赵晨阳与华盛顿大学博士生曾致远，从推理与算法两条线拆解 Kimi K3。节目解读了 K3 的 3T 开放权重、KDA＋MLA 混合注意力与智能体训练环境，并讨论它在美国 AI 界和投资市场引发的关注及相关的开源大辩论。
推荐理由：两位嘉宾从算法与推理系统两条线拆解 K3 的混合注意力、MoE 与训练细节，帮助理解开源模型究竟开放了什么、保留了什么。
Kimi K3 发布，2.8 万亿参数、原生支持视觉理解、100 万 token 上下文，是全球首个开源的 3 万亿级别模型，权重将在 7 月 27 日前开源。
推荐理由：汇总了 Kimi K3 在多个第三方基准上的排名与成本对比，便于横向比较它与 Claude、GPT 前沿模型的差距。
智谱上周正式开源并发布 GLM-5.2，在多项开放基准测试中得分与 GPT 5.5、Opus 4.8 大致抗衡。模型沿用 DeepSeek V3.2 的 MLA 与 DSA 机制并新增 IndexShare，上下文从 200K 扩展到 1M，但被指完全没有视觉能力，且思考轨迹近 220K token、容易过度思考，导致首字输出体感较慢。
推荐理由：汇总多位从业者的实测评价与定价拆解，可借以比较 GLM-5.2 与闭源前沿模型在编码和 Agent 场景中的真实差距。