推理

艾伦·图灵（Alan Turing，1912–1954）是英国数学家，1936年他用抽象机器给“计算”下了定义。1950年他提出“模仿游戏”（即图灵测试），是人工智能的奠基人之一。

约翰·麦卡锡（John McCarthy，1927–2011）是美国计算机学家。他1955年牵头的提案被认为首创“人工智能”一词，又组织了1956年达特茅斯研讨会，并创造了LISP。

图灵1936年的这篇论文用一台抽象机器定义了「可计算数」，这台机器后来被称为图灵机；论文还证明，不存在能判定任意数学命题是否可证的通用方法。

1950年，图灵在《计算机器与智能》中以「模仿游戏」取代了「机器能思考吗」这个他认为过于模糊的问题，即后来的图灵测试，并逐一回应了对机器智能的主要反对意见。

麦卡锡 1959 年的论文提出「建议接受者」：一个在形式语言中操作句子来解题、推出祈使句便执行相应动作的程序，被视为逻辑式人工智能的早期纲领。

Marvin Minsky 1961 年发表于《Proceedings of the IRE》的综述，把启发式编程分为搜索、模式识别、学习、规划与归纳五个领域，并指出机器需要借助归纳建立环境的模型。

理查德·萨顿1988年的论文提出时序差分学习：用相邻两次预测之差分配信用的增量式预测方法，比传统方法更省内存、预测更准。

总部位于伦敦的人工智能研究机构，2023 年由 DeepMind 与谷歌研究部门的 Brain 团队合并而成，以 AlphaGo、AlphaFold 和 Gemini 系列模型闻名。

IBM Watson 是 IBM 研发的问答计算机系统，由 David Ferrucci 领导团队开发；2011 年 2 月它在电视问答节目《Jeopardy!》中击败了该节目历史上最强的两位冠军。

2015 年《自然》论文中，Mnih、Silver 等人用同一个深度 Q 网络智能体，仅凭像素和分数就在 49 款 Atari 游戏上达到职业人类测试员水平。

AlphaGo 是 DeepMind 开发的围棋程序，把深度神经网络与蒙特卡洛树搜索结合起来。2016 年它战胜顶尖职业棋手李世石，比赛吸引大量观众，成为学习型系统能力的一个标志性事件。

2016 年的论文，Zoph 与 Le 用强化学习训练的循环网络自动生成神经网络结构，在 CIFAR-10 上媲美人类最佳设计，在 Penn Treebank 上超过 LSTM。

DeepMind 的 AlphaGo Zero 从随机落子开始，只靠自我对弈学会围棋，训练三天便以 100 比 0 击败此前击败人类冠军的 AlphaGo 版本。相关论文于 2017 年 10 月发表在《自然》。

Francois Chollet 于 2019 年发表的论文，把智能定义为技能获取效率，并提出抽象与推理语料库（ARC）——一套只依赖核心知识、不需要专门领域知识和语言的网格任务基准。

2020 年发布的一个评测基准，用 57 个学科（从初等数学到法律）的题目考察语言模型，结果显示当时最大的模型也远未达到专家水平。

2021 年的一篇论文提出「指令微调」：把大量任务用自然语言指令描述后再微调语言模型，模型在没见过的任务上零样本表现大幅提升，并在多数评测任务上超过更大的模型。

思维链是让语言模型在回答前先写出中间推理过程的方法。推理模型在此基础上，用强化学习训练模型在回复前进行较长的内部思考，是近年大语言模型的重要方向。

深度求索（DeepSeek）是一家中国人工智能公司，2023 年 7 月在杭州成立，源自幻方量化旗下的 AGI 研究实验室，主力模型多以开放权重发布。

Claude 3 Opus 于 2024 年 3 月 4 日公布，是 Claude 3 系列中能力最强的模型。它支持图像输入，发布时上下文窗口为 20 万 token，长文本测试召回率超过 99%。

OpenAI o1 是 OpenAI 推出的首个推理模型系列，发布于 2024 年 9 月。它在回答前会进行较长的内部思维链（chain of thought）推理，之后的 o3 等推理模型都以它为基础。

TPU7x（Ironwood）是 Google 第七代张量处理器：单芯片 192 GB 高带宽内存，支持 FP8，一个 Pod 可装 9,216 颗芯片，编程模型为每颗芯片暴露两个设备。

DeepSeek-R1 是深度求索（DeepSeek）于 2025 年 1 月 20 日发布的开放权重推理模型，以 DeepSeek-V3-Base 为基础，经强化学习训练，采用允许商业使用和蒸馏的 MIT 许可证。

DeepSeek-R1 报告介绍了如何主要依靠强化学习，并对正确答案给予奖励，训练出一个推理模型。它在数学、代码和推理基准上的表现与 OpenAI 的 o1 相当，权重也以开放形式发布。

NVIDIA 于 2025 年 3 月发布的机架级系统，把 72 颗 Blackwell Ultra GPU 和 36 颗 Grace CPU 连成一台机器，官方称其 AI 性能是 GB200 NVL72 的 1.5 倍。

Gemini 2.5 Pro 是 Google Gemini 2.5 系列的首个模型，2025 年 3 月以实验版发布，主打「思考」能力和 100 万 token 上下文，发布时即在 LMArena 登顶。

OpenAI 的第二代推理模型，2024 年 12 月公布、2025 年 4 月发布，在科学、软件工程与编程竞赛基准上大幅超过 o1，之后由 GPT-5 接替。

通义千问 Qwen3 是阿里巴巴于 2025 年 4 月 29 日以 Apache 2.0 许可证发布的模型系列，主要特点是混合思考模式，同一模型既可逐步推理，也可直接作答。

《Qwen3 技术报告》介绍阿里巴巴 Qwen3 系列大语言模型，覆盖稠密与混合专家架构，统一思考与非思考模式，并加入思考预算机制，全部以 Apache 2.0 许可证发布。

2025 年的一篇论文提出 ARC-AGI-2 基准：用输入—输出配对任务测量前沿 AI 的抽象推理能力，并给出人类测试基线，让分数能更细致地反映进展。

《Gemini 2.5》技术报告于 2025 年 7 月 7 日提交到 arXiv，记录了 Google 的 Gemini 2.5 Pro 与 2.5 Flash，涉及推理能力、长上下文视频处理和成本与能力的取舍。

GPT-5 是 OpenAI 于 2025 年 8 月 7 日发布的第五代 GPT 基础模型。它把快速模型与深度推理模型组合在一起，并由实时路由决定每个请求交给哪一个处理。

Gemini 3 Pro 是 Google Gemini 3 系列的首个模型，2025 年 11 月以预览版发布，拥有 100 万 token 上下文窗口，并在 LMArena 等榜单登顶，在推理、编程与多模态基准上取得高分。

AWS Trainium3 是首款 3 纳米 AI 芯片，单芯片 FP8 算力 2.52 petaflops，2025 年 12 月起通过 Amazon EC2 提供。[^1]

Claude Mythos Preview 于 2026 年 4 月 7 日公布，是未公开发布的前沿模型，仅通过 Project Glasswing（Glasswing 计划）向受限合作方开放，用于保障关键软件安全。

DeepSeek-V4 包括 V4-Pro 与 V4-Flash 两款混合专家模型，2026 年 4 月 24 日以预览版发布，支持 100 万词元上下文。

K2 Horizon 是基础模型研究院（IFM）于 2026 年 9 月发布的一系列六个开放语言模型，权重、代码、训练数据和训练配方一并以 Apache 2.0 许可公开。

GPT-6 是 OpenAI 的新一代模型系列。首款 GPT-6 Astra 于2026年9月3日发布，Astra 是 OpenAI 首个达到其内部「关键」网络安全阈值的模型。

Gemini 4 Argon 是 Google Gemini 4 系列首个模型，2026 年 10 月 13 日全面开放，面向软件工程、金融、法律等多步骤复杂任务。

Jais-3-375B-A23B 是基础模型研究所（IFM）推出的阿拉伯语旗舰开源混合专家模型：总参数 3750 亿、每 token 激活 230 亿，上下文窗口 51.2 万 token，权重以 Apache 2.0 发布。

通用人工智能（AGI）指在广泛任务上达到或超过人类水平的人工智能。这个词没有公认定义；Morris 等人提出的框架按性能等级与通用性给系统分级。

赫伯特·西蒙（1916—2001）是政治学家、心理学家与计算机科学家，与纽厄尔、肖做出第一个成功的人工智能程序，并获1978年诺贝尔经济学奖。

美国计算机科学家与心理学家，与赫伯特·西蒙、J. C. Shaw 一起开发了最早的列表处理语言和最早的启发式问题求解程序，把思维当作计算来研究。

朱迪亚·珀尔是计算机科学家与统计学家，提出贝叶斯网络及与之配套的主要推理算法，后又以 do-演算建立从数据中分析因果关系的数学框架，2011 年获 ACM 图灵奖。

英国计算机科学家，1976 年出生，研究强化学习。他领导了 DeepMind 的 AlphaGo 项目，是 2013 年深度 Q 网络论文的作者之一，2025 年创办 Ineffable Intelligence。

梁文锋（Liang Wenfeng）是中国企业家，DeepSeek创始人，也是量化基金High-Flyer的共同创办人。他是DeepSeek-R1论文的通讯作者。

美国人工智能研究者，OpenAI 联合创始人之一，领导其强化学习团队并参与打造 ChatGPT 的训练方法；后转投 Anthropic，又出任 Thinking Machines Lab 首席科学家。

雅各布·帕霍茨基是 OpenAI 首席科学家。他 2017 年加入该公司，主导 GPT-4 与 OpenAI Five 的研发，并推动公司把研究重心转向扩展深度学习系统。

Gerald Tesauro 1992 年的论文以自对弈西洋双陆棋为案例，检验时序差分学习能否解决复杂现实任务。

2013 年，Mnih 等人用 Q 学习变体训练卷积网络，直接以像素为输入学会玩七款 Atari 2600 游戏，六款胜过旧方法，三款胜过人类专家。

这篇 2014 年的论文把神经网络与外部记忆耦合起来，网络通过注意力读写记忆；整个系统端到端可微，因此可以用梯度下降训练。

2016年《自然》论文介绍了AlphaGo，它结合深度神经网络与树搜索。2015年10月，其分布式版本以5比0击败职业棋手樊麾，首次在不让子的全尺寸围棋中战胜职业棋手。

DeepMind 开发的围棋程序，不用人类棋谱，只靠自我对弈从随机下法起步学会围棋，几天之内就击败了此前版本的 AlphaGo。

AlphaZero 是 DeepMind 研发的通用棋类系统，2017 年 12 月以预印本形式公布。它只被给定规则，从随机走子开始，在 24 小时内于国际象棋、将棋和围棋上都达到了超越人类的水平。

AlphaStar 是 DeepMind 开发的《星际争霸 II》AI。2019 年它在三个种族上都达到宗师水平，在 Battle.net 活跃玩家中排名超过 99.8%。

MATH 是包含 12,500 道高难度竞赛数学题的数据集，每题附完整分步解答，于 2021 年发布，用于测量和训练模型的数学推理能力。

GSM8K 是 OpenAI 发布的一套小学数学应用题数据集，包含 8.5K 道题；配套论文显示，即使最大的 Transformer 模型成绩也不高，而训练验证器、从多个候选解答中挑选正确答案能明显提升表现。

这篇论文由 Jason Wei 与 Google Research 的同事在 2022 年发表，它表明：在提示中给出带有中间推理步骤的示例、而不只是给出答案，能明显提升大模型在算术、常识和符号推理任务上的表现。

PaLM 是 Google Research 于 2022 年 4 月发布的 5400 亿参数语言模型，在 6144 块 TPU v4 上训练，多项基准成绩优于此前模型。

BIG-bench 是一个由社区共同构建的大型基准，包含 204 个任务，专门用来测试语言模型在被认为超出其当前能力的问题上的表现，相关论文于 2022 年 6 月发布。

2022 年的一篇论文提出，大语言模型的部分能力只在模型规模足够大时才出现，无法由小模型的表现外推预测，因此继续扩大规模可能继续拓展模型的能力范围。

xAI 是埃隆·马斯克创办的 AI 公司，开发 Grok 模型与聊天助手。2026 年被 SpaceX 收购，随后更名为 SpaceXAI，再改称 SpaceXSI。

2023 年 3 月，微软研究者在一篇论文中测试了早期版本的 GPT-4，认为它在众多领域表现出惊人的通用性、接近人类水平，可被视为迈向通用人工智能（AGI）的早期但不完整的一步。

GPQA 是包含 448 道选择题的问答基准，题目由生物学、物理学和化学专家撰写，设计成熟练非专家靠上网也答不出；基于 GPT-4 的最强基线正确率只有 39%，而同领域专家达到 65%。

GAIA 是一个面向通用 AI 助手的基准，用对人类简单、对 AI 困难的真实问题，考察推理、多模态、网页浏览和工具使用能力，并以人类平均水平衡量进展。

FunSearch 是一种把预训练大语言模型放进进化循环、去搜索「解题程序」而不是「答案」的方法，在 cap set 问题与在线装箱问题上给出了超越已知基线的新结果。

MMLU-Pro 是 2024 年发布的多任务语言理解基准，把以知识为主的 MMLU 改成更偏推理、每题十个选项的更难测试。

测试时计算指模型答题时额外投入的算力，而非训练阶段已固化在参数中的算力。Snell 等人 2024 年 8 月的研究表明，按题目难度分配这份算力，能让小模型在同等总计算量下胜过大得多的模型。

FrontierMath 是由 Epoch AI 推出的数学基准，包含数百道由专家数学家撰写与审核的原创高难度题目，用来考察 AI 的高级数学推理能力。发布时，最先进的模型解出的题目不足 2%。[^1][^2]

Phi-4 是微软于 2024 年 12 月发布的 140 亿参数稠密解码器式语言模型，训练重心放在数据质量与合成数据上，2025 年 1 月以 MIT 许可证放出完整权重。

讯飞星火 X1 是科大讯飞 2025 年 1 月发布的深度推理大模型，完全基于国产算力平台训练，此后多次升级，并落地教育与医疗场景。

Kimi k1.5 是月之暗面于 2025 年 1 月 20 日发布的多模态推理模型，公司称其在数学、编程和多模态推理上达到 OpenAI o1 的水平；其技术报告强调用强化学习训练，而不依赖树搜索与过程奖励模型。

Operator 是 OpenAI 于2025年1月23日发布的网页操作智能体，通过查看屏幕截图，并使用鼠标与键盘完成网页任务。2025年7月，它的能力并入 ChatGPT 智能体。

《人类最后的考试》（HLE）是一个包含 2,500 道题、横跨数十个学科的多模态基准，由全球专家编写，目的是在旧基准被模型刷满之后，仍能测量前沿大模型的能力。

这篇论文用 1000 道精选题目微调 Qwen2.5-32B，再用一种叫「预算强制」的简单方法控制模型的思考长度，在竞赛数学上最多领先 o1-preview 27%，并开源了模型、数据与代码。

OpenAI 于 2025 年 1 月 31 日发布的小型推理模型，向包括免费版在内的所有 ChatGPT 用户开放，提供三档推理强度并支持函数调用与结构化输出，2025 年 4 月由 o4-mini 接替。

深度研究是 OpenAI 于 2025 年 2 月 2 日推出的 ChatGPT 研究代理，基于 o3 的一个版本，能检索网络资料并整理成研究报告。

Grok 3 与更便宜的 Grok 3 mini 是 xAI 2025 年 2 月发布的推理模型。Grok 3 加入了 Think 推理模式、100 万 token 上下文窗口和 DeepSearch 研究智能体。

Claude 3.7 Sonnet 于 2025 年 2 月 24 日发布，Anthropic 称它是市面上第一个混合推理模型，既能迅速作答，也能长时间逐步思考。它与 Claude Code 同时推出。

通义千问团队于 2025 年 3 月 6 日发布的开源权重推理模型，参数规模 320 亿，主要靠规模化强化学习训练，官方称其表现可与体量大得多的 DeepSeek-R1 相若。

文心大模型 X1 是百度于 2025 年 3 月 16 日与文心大模型 4.5 一同发布的深度思考推理模型，支持多模态与工具调用，定价较低，此后又更新为 X1 Turbo 和 X1.1。

混元 T1 是腾讯的深度思考模型，2025 年 3 月 21 日正式发布，基于混元 Turbo S 构建。腾讯未公开其权重，通过网页演示和腾讯云 API 提供。

Seed-Thinking-v1.5 是字节跳动 Seed 团队的推理模型，采用混合专家结构，激活参数 20B、总参数 200B，通过强化学习学会先思考再回答；公开材料只有技术报告和基准表，没有模型权重。

日日新 V6 是商汤 2025 年 4 月 10 日发布的原生多模态混合专家模型，参数量超过 6000 亿，分为通用、推理与实时交互三个版本。

OpenAI 于 2025 年 4 月发布的小型推理模型，主打快速、低成本的推理；在可使用 Python 解释器时于 AIME 2025 上达到 99.5% 的 pass@1，后由 GPT-5 mini 等后继模型取代。

Google Gemini 2.5 系列中的模型，2025 年 4 月发布预览版、6 月正式可用。Google 称它是其首个完全混合推理模型，开发者可以用思考预算把思考打开或关闭。

MiMo-7B 是小米 LLM-Core 团队推出的 70 亿参数推理模型，基座在 25 万亿 token 上预训练，再用可验证的数学与编程题做强化学习，报告称其表现超过 OpenAI o1-mini。

2025 年的一篇论文提出「绝对零」范式：同一个模型自己出题、自己解题，由代码执行器统一判定对错，不使用任何外部数据，就在编程与数学推理上达到总体最佳水平。

AlphaEvolve 是 Google DeepMind 于 2025 年 5 月 14 日发布的进化式编程智能体，用 Gemini 模型配合自动评估器发现和优化算法，成果包括 Borg 调度启发式、更快的算子与新的数学结果。

Claude Opus 4 与 Sonnet 4 于 2025 年 5 月 22 日公布，均为带扩展思考功能的混合模型。Anthropic 称 Opus 4 是“世界上最好的编程模型”。

这是 DeepSeek 推理模型的更新版本，2025 年 5 月 28 日以 MIT 许可证发布，在竞赛数学、科学与编程基准上成绩明显提高，并支持系统提示、增强了函数调用能力。

MiniMax-M1 是 MiniMax（稀宇科技）于 2025 年 6 月发布的开放推理模型，总参数 456B，原生支持 100 万词元上下文，采用 Apache 2.0 许可，提供 40K 与 80K 两种思考预算版本。

字节跳动 Seed 团队的通用大模型系列，2025 年 6 月 11 日以豆包大模型 1.6 之名发布，支持多模态输入和 256K 上下文，并能按问题自动决定是否先推理再作答。

GLM-4.5 是智谱（Z.ai）2025 年 7 月发布的开源大语言模型，总参数 3550 亿，同时发布较轻量的 GLM-4.5-Air。两者均为混合推理模型，采用 MIT 许可证。

Grok 4 与 Grok 4 Heavy 是 xAI 2025 年 7 月发布的模型。Grok 4 的 API 上下文为 25.6 万 token，训练中大规模使用强化学习；Heavy 版本则并行运行测试时计算。

EXAONE 4.0 是 LG 的大语言模型系列，一次发布 32B 与 1.2B 端侧两个尺寸，把易用的对话能力与推理模式合并到同一模型，并加入工具调用和西班牙语支持。

NAVER 于 2025 年 7 月发布的 147.4 亿参数推理模型，用剪枝与蒸馏把模型做小，再用四阶段推理训练流程训练，并称训练成本远低于同级模型。

Qwen3-2507 是 2025 年 7 月至 8 月分批发行的 Qwen3 更新系列，把思考与非思考模式拆成各自独立的模型，原生上下文扩到 262,144 个 token，多项基准成绩大幅超过原版非思考模式。

Step 3 是阶跃星辰开源的多模态推理模型，总参数 3210 亿，每个 token 激活 380 亿参数。2025 年 7 月发布，采用 Apache 2.0 许可证。

Gemini 2.5 Pro 的一种增强推理模式，会在作答前并行展开多个假设并加以比较，2025 年以实验形式发布，并因在国际数学奥林匹克中达到金牌水平而受到关注。

gpt-oss 是 OpenAI 于 2025 年 8 月 5 日发布的开放权重推理语言模型系列，提供 120b 和 20b 两个规模，采用宽松的 Apache 2.0 许可证。

字节跳动 Seed 于 2025 年 8 月开源的 360 亿参数模型系列，使用 12 万亿 token 训练，原生支持 512K 上下文，并允许用户设置「思考预算」。

DeepSeek-V3.1 由深度求索（DeepSeek）于 2025 年 8 月 21 日发布，采用 MIT 许可证，是该公司首个混合推理模型，同一组权重同时支持思考模式和非思考模式。

Kimi K2 Thinking 是 Moonshot AI 于 2025 年 11 月发布的推理模型，沿用 Kimi K2 的混合专家结构，针对原生 INT4 推理与长链条工具调用做了训练。

GPT-5.1 是 OpenAI 于 2025 年 11 月 12 日发布的 GPT-5 更新版本。它让默认人设更加亲切，并提供多种可选风格；其 API 版本已定于 2027 年关闭。

Olmo 3 是艾伦人工智能研究所（Ai2）完全开放语言模型的第三代，2025 年 11 月 20 日宣布，提供 7B 和 32B 稠密 Transformer 规模，上下文 65,536 词元，数据全部公开。

2025 年 11 月 24 日，Anthropic 发布 Claude Opus 4.5，单价为此前 Opus 的三分之一，并新增投入程度（effort）参数，让开发者在能力与成本间取舍。

DeepSeekMath-V2 于 2025 年 11 月 27 日发布，是一个能够验证自身证明的数学推理模型，报告在 IMO 2025 题目上达到金牌水平。

DeepSeek-V3.2 于 2025 年 12 月 1 日发布，是 V3.2-Exp 的正式后继版本；配套的 V3.2-Speciale 专注于最大化推理，在多项竞赛中达到金牌水平。

Gemini 3 Deep Think 是 Gemini 3 的增强推理模式，2025 年 12 月向订阅用户开放，2026 年 2 月推出升级版。

腾讯自研旗舰模型，2025 年 12 月发布，分 Think 与 Instruct 两个版本，采用总参数 4060 亿的混合专家架构，支持 256K 词元上下文。

GPT-5.2 是 OpenAI 于 2025 年 12 月 11 日发布的模型系列，包括 Instant、Thinking、Pro 版本及编程变体，主打电子表格、演示文稿等专业工作。

Gemini 3 Flash 是 Google Gemini 3 系列中主打速度与低成本的模型，2025 年 12 月 17 日发布。它在多项基准上接近 Gemini 3 Pro，同时消耗更少 token、单 token 价格更低。

Step 3.5 Flash 是阶跃星辰推出的开源混合专家（Mixture-of-Experts，MoE）语言模型，2026 年 2 月发布，总参数 1960 亿，上下文长度 256K，采用 Apache 2.0 许可证。

Claude Opus 4.6 于 2026 年 2 月 5 日发布，是 Anthropic 最聪明模型的升级版，也是首个支持 1M 词元上下文窗口的 Opus 级模型（发布时为测试版）。

豆包大模型 2.0（Seed2.0）是字节跳动于 2026 年 2 月发布的模型系列，包含 Pro、Lite、Mini 三款面向智能体任务的版本，并公布了基准成绩与低价 token 策略。

Gemini 3.1 Pro 是 Google 于 2026 年 2 月 19 日以预览形式发布的大语言模型，在 ARC-AGI-2 上取得 77.1% 的验证成绩，并取代了 gemini-3-pro-preview。

GPT-5.4 是 OpenAI 于 2026 年 3 月 5 日推出的模型，有 Thinking 和 Pro 两个版本。它内置电脑操作能力，改进了深度研究，并取代了 GPT-5.2。

Muse Spark 是 Meta Superintelligence Labs 于 2026 年 4 月 8 日推出的首个模型，最初闭源，驱动 Meta AI 应用和 meta.ai，后来推出了开放权重版本。

GPT-5.5 是 OpenAI 于 2026 年 4 月 23 日推出的模型，以 GPT-5.5 Thinking 和 Pro 两个版本面向 ChatGPT 付费用户，次日开放 API。它取代了 GPT-5.4。

Command A+ 是 Cohere 于 2026 年 5 月 20 日以 Apache 2.0 许可发布的开源混合专家模型，总参数 2180 亿、激活 250 亿，面向主权部署与关键基础设施场景。

MAI-Thinking-1 是微软 AI 的旗舰推理模型，2026年6月2日发布。微软称其在盲测中优于 Claude Sonnet 4.6，并允许开发者微调权重。

混元 Hy3 是腾讯于 2026 年 7 月 6 日发布的开放权重推理模型，采用 Apache 2.0 许可，总参数 2950 亿，每个词元激活 210 亿，支持 256K 上下文。

Inkling 是 Thinking Machines Lab 发布的第一个模型：9750 亿参数混合专家模型，开放权重，原生支持文本、图像和音频输入，上下文窗口最高 100 万 token。

通义千问 Qwen3.8 是阿里巴巴2026年的旗舰系列。开放的 Qwen3.8-2.4T-A95B 于2026年8月发布，总参数 2.4 万亿，激活 95B，采用自定义许可证。

Gemini 3.8 Flash 是 Google 于 2026 年 9 月 2 日发布的快速低成本模型，同日推出网络安全变体 Gemini 3.8 Flash Cyber，其介绍性价格在 2027 年初翻倍。

Kolibri-1 是 Aleph Alpha 发布的开源权重混合专家模型，只做德语和英语，总参数 781 亿、每个 token 激活 34.6 亿，上下文窗口超过 100 万 token，权重可装进单张 GPU。

Jais-3-7B 是基础模型研究院推出的稠密 7B 阿拉伯语与英语模型，上下文窗口为 512,000 个 token，约 18 GB 即可在单张 GPU 上运行，思考过程放在单独字段返回。

Jais-3-MoVA-36B-A4B 是基础模型研究院（IFM）推出的阿拉伯语中心模型：总参数 360 亿、每个 token 仅激活 40 亿，上下文窗口 51.2 万 token，注意力层采用 MoVA 稀疏方案。

Gemini 4 Carbon 是 Google DeepMind 于 2026 年 10 月 28 日发布的前沿模型，距 Gemini 4 Argon 仅两周，Google 称其网络安全与长程能力达到当前最好水平。

OpenAI 于 2026 年 11 月 5 日发布的网络安全模型，只向 Daybreak Red 项目最高层级用户开放；据 OpenAI 称，它扫描 Linux 内核发现 948 个潜在问题，在 Firefox 中发现 81 个新漏洞。

杰森·魏（Jason Wei）是 AI 研究者，思维链提示与「涌现能力」两篇论文的第一作者，先后在 Google Brain、OpenAI 和 Meta Superintelligence Labs 工作。

工具调用让语言模型把算术、查找资料这样的子任务交给外部程序，再把返回结果写进回答。2023 年的 Toolformer 展示了模型可以自己学会何时调用、如何调用工具。

规划（planning）是 AI 智能体（agent）把目标拆成中间步骤、决定下一步行动，并根据结果调整方案的过程，而不是一次给出答案。[^1][^2]

奖励黑客指优化一个不完美的代理奖励函数，结果在真正的奖励函数下表现反而变差。它是目标写偏、而非优化器出错时的典型失效模式。

Noam Brown 是 OpenAI 的研究科学家，研究推理、强化学习、自博弈与多智能体 AI。他因 Libratus、Pluribus 等扑克 AI，以及 CICERO 和 OpenAI o1 等推理模型相关工作而知名。

提示工程是设计输入文本、引导生成式人工智能产出目标结果的实践。统一的术语和思维链提示等技术，让提示方法更容易描述、比较和复现。

HellaSwag 是 2019 年发布的一个挑战数据集：机器要从若干候选里挑出一句事件描述最可能的后续。它的错误选项由机器生成并筛选，目标是骗过模型而不是骗过人。

MuZero 是 DeepMind 的强化学习算法，将树搜索与学习到的模型结合，在未被告知环境规则的情况下，于 Atari、围棋、国际象棋和将棋上达到超人类水平。

Phi-1.5 是微软研究院的 13 亿参数语言模型，用经过挑选和生成的「教科书式」文本训练，不用网页抓取数据；报告称其自然语言表现可与体积大 5 倍的模型相比。

Phi-2 是微软研究院 2023 年 12 月 12 日公布的 27 亿参数基座语言模型，微软称它在复杂基准上匹配或超过最多 25 倍大的模型，成为小模型路线的一个参照点。

AlphaGeometry 是 Google DeepMind 开发的几何解题系统，把神经语言模型与符号推演引擎结合在一起，在一组 30 道奥赛几何题上达到接近人类金牌选手的水平。

DeepSeekMath 是 2024 年发布的开源数学模型，参数规模 7B，不用外部工具就在竞赛级 MATH 基准上取得 51.7% 的成绩，并提出比 PPO 更省显存的强化学习算法 GRPO。

Grok-1.5 是 xAI 对 Grok-1 的升级版，推理能力更强，上下文窗口扩至 12.8 万 token。同期预览的 Grok-1.5V 是该公司首个多模态模型。两者的权重都没有公开发布。

AlphaProof 是 Google DeepMind 研发的强化学习系统，能在 Lean 形式语言中证明数学命题。在 2024 年国际数学奥林匹克中解出三道题，与 AlphaGeometry 2 合计达到银牌水平。

o1-mini 是 OpenAI 于 2024 年 9 月 12 日随 o1-preview 一同发布的小型推理模型，更快更便宜，用强化学习训练其逐步推理，OpenAI 称它尤其擅长编程。

Tülu 3 是 Ai2 于 2024 年 11 月发布的一套公开后训练方案及配套模型，基于 Llama 3.1 的 80 亿和 700 亿参数两个版本，结合了指令微调、同策略偏好微调与带可验证奖励的强化学习。

QwQ-32B-Preview 是通义千问团队于 2024 年 11 月 28 日发布的实验性推理研究模型，32B 参数、32K 上下文，权重以 Apache 2.0 开放；数学成绩突出，团队同时公开列出了它的典型问题。

OpenAI o1 的一个版本，回答前投入更多算力思考；2024 年 12 月随每月 200 美元的 ChatGPT Pro 套餐推出，2025 年 3 月进入 API。

Gemini 应用中的代理式研究功能：先给出多步骤研究计划由用户确认，再花几分钟浏览网页，产出带原文链接的报告；后来也作为托管代理进入 Gemini API。

Reka Flash 3 是 Reka 推出的 210 亿参数通用推理模型，从零训练，2025 年 3 月以 Apache 2.0 许可在 Hugging Face 开放权重。

Llama Nemotron 是 NVIDIA 2025 年 3 月推出的开放推理模型系列，分 Nano、Super、Ultra 三种规格，基于 Meta 的 Llama 3 模型。

文心大模型 X1 Turbo 是百度于 2025 年 4 月 25 日发布的推理模型，作为文心 X1 的升级版，强调更强的思维链、多模态与工具调用能力，并把 API 价格压到更低。

DeepSeek 发布的 Lean 4 形式化定理证明开源模型，用子目标分解流程构造训练数据，在 MiniF2F-test 上通过率达 88.9%，并提出 ProverBench 基准。

微软于 2025 年 4 月发布的 140 亿参数开放权重推理模型，在 Phi-4 上用 OpenAI o3-mini 生成的推理过程做微调，以 MIT 许可证发布。

Sarvam-M 是 Sarvam AI 发布的开源权重模型，在 Mistral Small 基础上后训练而成，覆盖 11 种印度语言，支持思考与不思考两种模式，在印度语言、数学和编程基准上有明显提升。

o3-pro 是 OpenAI 于 2025 年 6 月 10 日发布的 o3 版本，被其称为当时能力最强的模型，适合可靠性比速度更重要的难题。

Magistral 是 Mistral AI 的首批推理模型系列，2025 年 6 月发布开放权重的 Small 与企业版 Medium，支持多语言推理，后经 1.1、1.2 更新并退役。

混元 A13B 是腾讯于 2025 年 6 月开源的混合专家语言模型，总参数 800 亿、每个词元激活 130 亿，支持 256K 上下文和可开关的深度思考。

日日新 V6.5 是商汤于 2025 年 7 月发布的增强版多模态模型，以图文交错的思维链为核心能力，并驱动小浣熊助手的智能体升级。

SmolLM3 是 Hugging Face 于 2025 年 7 月 8 日发布的 30 亿参数开放模型，支持六种语言与最长 128K 令牌的上下文，可切换推理模式。

Step-Audio 2 是阶跃星辰（StepFun）发布的语音模型，既能理解音频内容，也能进行语音对话。其中 mini 版本于 2025 年以 Apache 2.0 许可证开源。

Baichuan-M2 是百川智能开源的医疗增强大模型，参数规模为 32B，基于 Qwen2.5-32B 构建，采用 Apache 2.0 许可证，供研究与参考使用。

Claude Opus 4.1 于 2025 年 8 月 5 日发布，在与 Claude Opus 4 价格相同的前提下，提升了智能体任务、真实编程与推理的表现。其后由 Claude Opus 4.5 取代。

Cohere 于 2025 年 8 月发布的首个推理模型，1110 亿参数，可按需开关「思考」过程，面向智能体任务与工具调用，并以非商业许可开放权重。

xAI 于 2025 年 8 月发布的面向智能体编程的快速推理模型，定价低，在 SWE-bench Verified 上得分 70.8%，并接入 GitHub Copilot、Cursor 等编程工具。

Writer 发布的小型英文模型，17 亿参数，从 Qwen2.5-1.5B 微调而来，采用 Apache 2.0 许可，支持 131,072 词元的上下文，发布时主打小学阶段的数学题。

文心大模型 X1.1 是百度于 2025 年 9 月发布的推理模型，基于文心 4.5 训练，百度称其在事实性、指令遵循和智能体能力上较文心 X1 均有提升。

百度于 2025 年 9 月开源的深度思考混合专家模型，总参数 210 亿、激活参数 30 亿，支持 128K 上下文，以 Apache 2.0 协议发布。

Writer 于 2025 年 9 月发布的小型推理模型，17 亿参数，微调自 Nvidia 的 OpenReasoning-Nemotron-1.5B，在 AMC23、MATH500 等数学基准上表现突出。

Ray3 是 Luma AI 于 2025 年 9 月 18 日推出的视频生成模型，被其称为世界上第一个推理视频模型，支持 HDR 输出、原生 1080p 和 4K 神经放大。

xAI 于 2025 年 9 月 19 日发布的低成本推理模型，上下文窗口达 200 万 token，用更少的思考 token 和大幅降低的价格达到 Grok 4 的水平。

Google DeepMind 的机器人模型组合：负责动手的 Gemini Robotics 1.5 与负责规划、会调用工具的 Gemini Robotics-ER 1.5。

AI21 Labs 于 2025 年 10 月 8 日以 Apache 2.0 许可发布的小型开源推理模型，30 亿参数，Transformer 与 Mamba 混合架构，256k 上下文，可在手机、Mac 和 PC 上本地运行。

百度 2025 年 11 月发布的开源多模态推理模型，总参数 280 亿、每个 token 激活 30 亿，支持「边看图边想」的放大与工具调用，权重按 Apache 2.0 开放。

讯飞星火 X1.5 是科大讯飞 2025 年 11 月发布的深度推理模型，运行在与华为共同构建的国产算力平台上，采用总参数 2930 亿的混合专家结构。

Physical Intelligence 于 2025 年 11 月 17 日发布的机器人模型，同时用演示、人类纠正和机器人自主经验训练，据公司报告在制作咖啡、折叠衣物和装配纸箱三类任务上成功率超过 90%。

Grok 4.1 是 xAI 2025 年 11 月对 Grok 4 的更新，侧重情商、创意写作和减少幻觉。Grok 4.1 Fast 是一款 200 万 token 的工具调用模型，于 11 月 19 日发布。

亚马逊 Nova 2 是 Nova 模型的第二代，2025 年 12 月在 AWS re:Invent 大会上发布。首款成员 Nova 2 Lite 是快速的推理模型，提供 100 万词元上下文。

NVIDIA Nemotron 3 是 2025 年 12 月宣布的开放混合专家语言模型系列，分 Nano、Super、Ultra 三种规格，最长支持 100 万标记上下文。

Baichuan-M3 是百川智能的新一代开源医疗增强语言模型，参数为 235B，基于 Qwen3-235B-A22B 构建，采用 Apache 2.0 许可证，2026年1月发布。

Grok 4.20 是 xAI 在 2026 年推出的模型系列，分推理、非推理和多智能体三个版本，上下文窗口为 100 万 token；随后的 Grok 4.3 沿用同样的上下文和价格。

Phi-4-reasoning-vision-15B 是微软于 2026 年 3 月 4 日以 MIT 许可发布的 150 亿参数开放权重视觉语言模型，能在数学、科学问题上展开推理，在图像感知任务上直接作答。

Mistral Small 4 是 2026 年 3 月发布的开源混合专家模型，把指令跟随、逐步推理和智能体编程合进一个模型，并用一个参数控制推理的深浅。

Granite 4.2 是 IBM Granite 团队于 2026 年 8 月 25 日发布的开源权重模型系列，有 3B、8B、30B 三个稠密尺寸，其中 8B 版本带可切换的推理模式，采用 Apache-2.0 许可。

马克·陈是 OpenAI 的研究者，曾带领团队做出 DALL·E 2，并参与 Codex 的开发；2025 年 3 月起担任扩大职责后的首席研究官。

AI 研究者，神经架构搜索论文第一作者、Switch Transformer 共同作者；现为 Thinking Machines Lab 联合创始人兼 CTO。

Mathstral 是 Mistral AI 于 2024 年 7 月 16 日发布的 70 亿参数数学模型，基于 Mistral 7B 构建，专攻数学与 STEM 推理，以 apache-2.0 许可开放权重，现已被列为弃用模型。

NVIDIA Nemotron Nano 2 是一款 9B 参数的小型推理模型，采用 Mamba 与 Transformer 混合架构，主打长上下文推理下的高吞吐，并开放了权重与大部分训练数据。