OpenAI 推理模型協助醫生診斷兒童罕見遺傳病
研究人員使用 OpenAI 推理模型協助診斷兒童罕見遺傳病，並在此前未解的病例中識別出 18 項新診斷。
推薦理由：文中同時交代模型介入的診斷場景與未解病例結果，提供觀察 AI 參與兒童罕見遺傳病研究的一個具體切面。
#推理
#推理
今日 77 條OpenAI News精選AI 評分6666
Hugging Face Blog精選AI 評分7878 GLM-5.2 發佈，最大上下文擴至 1M tokens並提升長程任務能力
GLM-5.2 發佈，將最大上下文長度由 200K 擴至 1M tokens，並強化長程任務與編碼能力。它在 Terminal-Bench 2.1 和 SWE-bench Pro 分別取得 81.0、62.1，高於 GLM-5.1 的 63.5、58.4。
推薦理由：文章並列長程編碼基準成績與 IndexShare、MTP 的效率改動，讓讀者可對照模型性能數據和 1M-token 上下文的工程支撐。
Google DeepMind精選AI 評分6868 Google DeepMind 發佈實驗模型 DiffusionGemma，專用 GPU 上文字生成最高快 4 倍
Google DeepMind 發佈實驗性開放模型 DiffusionGemma，透過文字擴散並行生成文字，在專用 GPU 上文字生成最高快 4 倍。
推薦理由：DiffusionGemma 的優勢集中於低至中等批次的單加速器推理，高 QPS 雲端服務則可能收益較小並增加服務成本。
Google DeepMind精選AI 評分7272 Google DeepMind 發佈 Gemma 4 12B 統一免編碼器多模態模型
Google DeepMind 發佈 Gemma 4 12B，定位為可在筆記型電腦本機運行的多模態模型，並為中型模型加入原生音訊輸入。它採用免多模態編碼器架構，將視覺和音訊輸入直接整合至 LLM backbone；標準基準表現接近 26B MoE，總記憶體佔用不足其一半。Gemma 4 12B 以 Apache 2.0 授權釋出，可透過 LM Studio、Ollama 等工具試用。
推薦理由：Gemma 4 12B 的免編碼器設計、接近 26B MoE 的基準表現與較低記憶體佔用，提供比較中型多模態模型架構和本機部署定位的具體依據。
Ahead of AIAI 評分4949 大語言模型研究論文：2026 年清單（1 月至 5 月）
作者整理了一份涵蓋 2026 年 1 月至 5 月的大語言模型研究論文清單，按主題分類供參考，並非當年論文的完整收錄。清單聚焦推理模型、強化學習及高效推理；相比 2025 年清單，亦收錄更多關於智能體系統與工具使用、長上下文、擴散語言模型及實用服務基礎設施的論文。
Hugging Face Blog精選AI 評分6262 NVIDIA 發佈 Nemotron 3.5 Content Safety，整合多模態安全判定與自訂政策
NVIDIA 發佈 Nemotron 3.5 Content Safety，將多模態輸入、多語言覆蓋、自訂企業政策與可審計推理整合至單一 4B 模型。模型基於 Google Gemma 3 4B IT，明確訓練覆蓋 12 種語言，並承接其約 140 種語言的 zero-shot 泛化；可選 THINK mode 會輸出推理軌跡。
推薦理由：Nemotron 3.5 將多模態判定、自訂政策和可審計推理整合於 4B 模型，並附訓練資料集，提供企業安全審核的部署參考。
Hugging Face BlogAI 評分5555 JetBrains 發佈 Mellum2：12B 文字與程式碼 MoE 模型
JetBrains 發佈 Mellum2，一款以自然語言和程式碼從零訓練的 12B MoE 模型，每個 token 啟用 2.5B 參數。模型採 Apache 2.0 授權，適用於路由、RAG、摘要、子智能體及高吞吐程式功能等工作負載。
OpenAI News精選AI 評分6767 OpenAI 模型解決 80 年單位距離問題並推翻離散幾何重要猜想
OpenAI 的一個模型解決了有 80 年歷史的單位距離問題，推翻離散幾何中的一項重要猜想。這項成果標誌著 AI 驅動數學的一個里程碑。
推薦理由：這項成果為 AI 驅動數學提供一個具體案例，呈現模型解決離散幾何 80 年單位距離問題並推翻重要猜想的結果。
Ahead of AIAI 評分5353 近期 LLM 架構發展聚焦 KV 共享、mHC 與壓縮注意力
Sebastian Raschka 梳理 Gemma 4、Laguna XS.2、ZAYA1-8B 和 DeepSeek V4 的架構改動，聚焦降低長上下文處理成本的設計。
Berkeley AI ResearchAI 評分5151 自適應並行推理：高效推理時擴展的下一種範式
Berkeley AI Research 梳理自適應並行推理（Adaptive Parallel Reasoning，APR）的研究進展，將其界定為模型在推理時自行決定何時並行、分配多少執行緒及如何協調控制流的範式。
OpenAI：失準報告與通報AI 評分6868 OpenAI 調查 RL 訓練中意外對 CoT 評分的影響
OpenAI 發現部分已發布 GPT-5 模型在 RL 訓練中曾意外對 CoT 評分，調查未見 CoT 可監控性明顯下降的證據。受影響模型包括 GPT-5.4 Thinking、GPT-5.1 Instant 至 GPT-5.4 Instant、GPT-5.3 mini 及 GPT-5.4 mini；GPT-5.5 未受影響。
Google DeepMind精選AI 評分6060 Google DeepMind 宣佈 AI co-clinician 醫療研究計劃，探索醫療協作模式
Google DeepMind 宣佈 AI co-clinician 研究計劃，探索讓 AI 在醫生專業監督下協助患者照護。在 98 個基層醫療問題的評估中，97 個案例錄得零項嚴重錯誤；在開放式藥物問答中，系統表現勝過可用的前沿 AI 系統。
推薦理由：文章並列呈現 AI co-clinician 在證據整理、藥物問答和多模態問診的測試結果，並以醫生整體表現較佳界定其臨牀輔助定位。
Hugging Face Blog精選AI 評分6161 Granite 4.1 LLM 如何構建：預訓練、微調與強化學習流程
Granite Team（IBM）詳述 Granite 4.1 的 3B、8B 和 30B 模型構建流程，涵蓋預訓練、監督式微調和多階段強化學習。預訓練以約 15T tokens 分五階段進行，並將上下文窗口擴至最高 512K tokens；其後以約 4.1M 經整理樣本作微調，採用 on-policy GRPO 配合 DAPO loss 進行強化學習。
推薦理由：文章梳理 Granite 4.1 從約 15T tokens 預訓練、約 4.1M 樣本微調到多階段強化學習的流程，呈現 dense 模型的訓練設計取捨。
Hugging Face Blog精選AI 評分7272 NVIDIA 發佈 Nemotron 3 Nano Omni 長上下文多模態模型，面向文件分析、音訊與影片理解及智能體電腦操作
NVIDIA 發佈 Nemotron 3 Nano Omni，這款長上下文多模態模型面向文件分析、音訊與影片理解、智能體電腦操作及通用推理。
推薦理由：文章並列 Nemotron 3 Nano Omni、Nemotron Nano V2 VL 與 Qwen3-Omni 的多項基準結果，另列系統效率數據，提供文件、影音和 GUI 任務的比較依據。
Hugging Face Blog精選AI 評分8787 DeepSeek-V4 發佈 Pro 與 Flash 系列，均支援智能體可用的 1M-token 上下文
深度求索（DeepSeek）發佈 DeepSeek-V4，Pro、Flash 系列各有 instruct 與 base 版本，四款 checkpoint 均支援 1M-token 上下文。
推薦理由：文章把 KV cache 成本、混合注意力設計與智能體工作流串連起來，並以基準數據呈現長上下文能力在工具任務中的表現。
OpenAI：失準報告與通報AI 評分5555 OpenAI 開源思維鏈可監測性評測數據集與參考程式碼
OpenAI 開源思維鏈可監測性評測套件中的多數數據集、計算 g-mean 2 的參考程式碼，以及一項新的交叉擬合篩選策略。開放版本涵蓋幹預、流程及結果屬性三類評測，依賴私人或受限制數據的部分項目未有公開；用於模擬評測的 scaffold 僅作示範，不獲支援。
DeepSeek：API 更新日誌AI 評分7070 DeepSeek API 支援 V4-Pro 和 V4-Flash，舊 API 名稱將停用
DeepSeek API 現已支援 V4-Pro 和 V4-Flash。兩款模型可透過 OpenAI ChatCompletions 介面及 Anthropic 介面使用，base_url 維持不變，model 參數應設為 deepseek-v4-pro 或 deepseek-v4-flash。
Berkeley AI ResearchAI 評分4747 GRASP：面向更長時域的世界模型梯度式規劃
GRASP 是一種面向學習型世界模型的梯度式規劃器，透過虛擬狀態並行化時間步最佳化，令長時域規劃更實用。它在狀態迭代中直接加入隨機性以探索，並重塑梯度，讓動作取得清晰訊號，同時避開穿過高維視覺模型的不穩定「狀態輸入」梯度。
OpenAI NewsAI 評分4444 OpenAI 推出面向生命科學研究的 GPT-Rosalind
OpenAI 推出 GPT-Rosalind，這是一款旨在加速藥物發現、基因組分析、蛋白質推理及科學研究工作流程的前沿推理模型。
ARC Prize：官方博客AI 評分5757 ARC-AGI-3 人類表現衡量研究公開測試數據並更新評分方式
ARC Prize Foundation 公開 ARC-AGI-3 人類測試數據，並將每關評分基線由第二佳參與者成績改為中位數。研究納入 458 名參與者，公開數據集收錄 25 個公開環境的 342 段逐步回放。單關分數上限由 100% 提高至 115%，人類和 AI 的分數因此平均增加 +0.5pp。
Google DeepMind精選AI 評分8282 Gemma 4 成為 Google DeepMind 迄今能力最強的開放模型家族
Google DeepMind 發佈 Gemma 4 開放模型家族，提供 E2B、E4B、26B MoE 和 31B Dense 四種尺寸，並採用 Apache 2.0 授權。
推薦理由：Gemma 4 提供從手機端到工作站的多種尺寸，並列出排行榜名次與上下文窗口，便於比較本地部署時的硬件需求和能力差異。
Mistral AI精選AI 評分7777 Mistral Small 4 發佈，整合推理、多模態與智能體編碼能力
Mistral AI 發佈 Mistral Small 4，將 Magistral 的推理、Pixtral 的多模態及 Devstral 的智能體編碼能力整合至單一模型。
推薦理由：Mistral Small 4 整合指令、推理、多模態及智能體編碼能力，並列出相較 Mistral Small 3 的吞吐數據，可供比較單一模型承接多類任務時的效率表現。
Mistral AIAI 評分5555 Mistral AI 開源 Leanstral，推出面向 Lean 4 的程式碼形式化證明智能體
Mistral AI 開源 Leanstral，一款為 Lean 4 設計、用於程式碼生成與形式化證明的程式碼智能體，採用 6B active parameters。
Google Research精選AI 評分6767 Google Research 探討 AMIE 對話式診斷 AI 在真實臨牀研究中的可行性
Google Research 的前瞻性研究在真實門診流程中評估 AMIE 用於就診前病史採集的可行性。研究納入 100 名成人，互動由醫師即時監督且沒有觸發安全停止；AMIE 的鑑別診斷在 90% 個案中涵蓋最終診斷，前三項診斷準確率為 75%。研究屬單中心文字聊天研究，沒有對照組；PCP 的管理方案在實用性及成本效益方面較佳。
推薦理由：這項研究將 AMIE 用於門診前病史採集，展示即時醫師監督下的安全與診斷評估，亦交代單中心、無對照設計的限制。
Sarvam AIAI 評分7272 Sarvam AI 開源 Sarvam 30B 與 Sarvam 105B 推理模型
Sarvam AI 開源 Sarvam 30B 和 Sarvam 105B 兩款從零訓練的推理模型，並提供 API、權重下載及本地推理範例。兩者採用 MoE Transformer 架構，分別以 16T 和 12T tokens 預訓練，並在印度使用 IndiaAI Mission 提供的算力訓練。
OpenAI NewsAI 評分5454 OpenAI 研究發現推理模型難以控制思維鏈，這有利於安全監控
OpenAI 介紹 CoT-Control，並發現推理模型難以控制自身思維鏈，進一步凸顯可監控性作為 AI 安全保障的作用。
Google ResearchAI 評分4747 教導 LLM 以貝葉斯方式推理
Google Research 透過「貝葉斯教學」訓練 LLM 模仿貝葉斯助理的預測，提升推薦表現並泛化至其他任務。此方法採用監督式微調；在航班推薦測試中，未經特定訓練的 LLM 表現遠遜最優貝葉斯助理，且常在一次互動後便不再進步。
OpenAI NewsAI 評分3939 GPT-5.2 Pro 協助將 single-minus 振幅延伸至引力子
新預印本將 single-minus 振幅延伸至引力子，GPT-5.2 Pro 協助推導及驗證量子引力中的非零引力子樹振幅。
Google DeepMind精選AI 評分7171 Gemini 3.1 Flash-Lite 為大規模開發者工作負載而設
Google DeepMind 推出 Gemini 3.1 Flash-Lite，現正以預覽版向開發者及企業開放，開發者可透過 Google AI Studio 的 Gemini API 使用，企業則可透過 Vertex AI 使用。
推薦理由：文章把 Gemini 3.1 Flash-Lite 的定價、相較 2.5 Flash 的速度數據及質素描述並列，呈現其面向高頻工作負載的成本定位。
Inception Labs：BlogAI 評分6363 Inception Labs 發佈 Mercury 2 推理語言模型
Inception Labs 發佈 Mercury 2 推理語言模型，透過擴散模型並行修訂生成回應，主打低延遲推理。官方列出其在 NVIDIA Blackwell GPUs 上達 1,009 tokens/sec，並稱生成速度提升 >5x；價格為 $0.25/1M input tokens、$0.75/1M output tokens。
OpenAI NewsAI 評分2626 OpenAI 分享 AI 模型應對 First Proof 數學挑戰的證明嘗試
OpenAI 分享其 AI 模型在 First Proof 數學挑戰中的證明嘗試。這些嘗試用於測試模型處理專家級問題的研究級推理能力。
Google DeepMind精選AI 評分7777 Gemini 3.1 Pro：面向最複雜任務的更智能模型
Google DeepMind 發佈 Gemini 3.1 Pro，作為 Gemini 3 系列核心模型升級，提升複雜問題的推理能力。它在 ARC-AGI-2 取得經驗證的 77.1% 得分，推理表現超過 Gemini 3 Pro 兩倍。
推薦理由：Gemini 3.1 Pro 在 ARC-AGI-2 取得經驗證的 77.1% 得分，並稱推理表現超過 Gemini 3 Pro 兩倍，為核心推理升級提供量化比較依據。
Google DeepMind精選AI 評分7575 Gemini 3 Deep Think 重大升級，拓展科學、研究與工程應用
Google DeepMind 發佈 Gemini 3 Deep Think 重大升級，面向科學、研究與工程領域的複雜挑戰。
推薦理由：文章列出數學、編程及科學基準的具體成績，並交代 Gemini app 與 Gemini API 的開放方式，呈現本次升級的評測範圍和使用入口。
AI as Normal TechnologyAI 評分5959 Moravec 悖論事實核查：它不足以預測 AI 任務難度
Arvind Narayanan 指出，Moravec 悖論從未經過實證檢驗，也不能用來預測哪些任務對 AI 容易或困難。他認為，AI 社羣偏重值得研究的任務、忽略對人與 AI 都過易或過難的任務，可能造成任務難度呈現表面上的負相關。由於新能力從突破到商業化和部署往往需要時間，他主張與其預測突破，不如適應已知的技術發展。
Google ResearchAI 評分5858 Google Research 探討智能體系統的規模化原理及有效條件
Google Research 團隊對 180 種智能體配置進行受控評估，提出智能體系統的量化規模化原則。在可並行的金融推理任務中，集中式協作較單智能體提升 80.9%；在 PlanCraft 的序列規劃任務中，多智能體方案則令表現下降 39–70%。研究的預測模型根據工具數量及任務可拆解程度，對 87% 未見任務配置正確識別最佳協作策略。
Hugging Face BlogAI 評分5959 NVIDIA 發佈 Cosmos Reason 2，為物理 AI 帶來進階推理能力
NVIDIA 發佈 Cosmos Reason 2，稱其在 Physical AI Bench 和 Physical Reasoning 榜單位列視覺理解開放模型第一。
Hugging Face BlogAI 評分5656 Falcon-H1-Arabic 發佈 3B、7B、34B 阿拉伯語模型，採用 Mamba-Transformer 混合架構
Falcon-H1-Arabic 發佈 3B、7B、34B 三種阿拉伯語模型，採用 Mamba 與 Transformer 混合架構。3B 的上下文窗口為 128K tokens，7B 和 34B 均為 256K tokens。
OpenAI NewsAI 評分5555 OpenAI 評估鏈式推理的可監測性
OpenAI 推出一套評估鏈式推理可監測性的框架與評測套件，涵蓋 24 個環境中的 13 項評測。研究結果顯示，監測模型內部推理比只監測輸出有效得多，並為 AI 系統日益強大時的可擴展控制提供一條有前景的路徑。
Google DeepMind精選AI 評分8484 Google DeepMind 發佈 Gemini 3 Flash，主打速度與前沿智能
Google DeepMind 發佈 Gemini 3 Flash，結合 Gemini 3 Pro 級推理與 Flash 級延遲、效率和成本，並按 Artificial Analysis 基準測試較 Gemini 2.5 Pro 快 3x。
推薦理由：文章以推理、多模態與編碼基準成績，連同速度、token 用量及 API 定價，呈現 Gemini 3 Flash 的效能與成本定位。
OpenAI NewsAI 評分3636 OpenAI FrontierScience：評估 AI 執行科研任務的能力
OpenAI 推出 FrontierScience 基準測試，評估 AI 在物理、化學和生物學領域的推理能力，以衡量 AI 邁向真實科學研究的進展。