搜索“推理”

。之所以是大事，还因为即便有了这一切，AI 能力的前沿依然参差不齐。 随着 AI 变得越来越好，要快速展示每一代的变化越来越难，因为很多 AI 过去不擅长的事情，比如数学或数单词里的字母，现在对 AI 来说都轻而易举。所以，我会给你讲复杂的细节，但首先，我想举一个简单的例子，我认为它能很好地说明问题。AI 模型最擅长的是编程，所以我给从 OpenAI 第一个推理模型 o3（一年零一周前发布！）到当前最好的开放权重模型（Kimi K2.6），再到新的 GPT-5.5 Pro 的各个 AI 出了一个编程挑战：“给我构建一个程序化生成的 3D 模拟，展示一个港口城镇从公元前 3000 年到公元 3000 年的演变，它应该看起来很美，并允许我对它有一定的控制。” 然后我把每个答案都发布到这个画廊里，这样你就可以拿它们做实验（实际上，我是让 GPT-5.5 Codex 帮我构建的画廊页面）。你应该玩一玩它们来感受差异，但你可以在下面看到其中几个例子。除了在其他所有维度上都更好之外，只有 GPT-5.5 Pro 真正模拟了一个不断演变的城镇，而不只是随着时间推移生成新的建筑替换。GPT-5.5 P

匹配字段正文

一体化生成。 统一连续表征， 为了实现 speech/audio/music 音频信号的统一建模，区别于行业常规离散 Tokenizor，自研表达能力更强的低帧率连续表征 Tokenizor (12.5 Hz)，同时达成高效压缩与高保真表达；; 多 Token 预测(MTP)，为了解决长音频生成的曝光偏差问题，在 LLM 层面引入 MPT 策略，将 LLM 推理帧率压缩至 3.1 Hz，显著降低长音频生成步数；; 非对称补偿 为了解决 speech/audio/music 的信息密度差距大的问题，设计了非对称补偿策略，用更长的记忆换取更大的视野，非对称设计提升了人声在patch生成时的效果，实现泛音频共享生成头。 2. 模型指标 Ming-omni-tts 在保证高质量音色克隆的同时，在简洁架构下多个任务上的表现超过/持平专有模型： 方言控制：在 WSYue-TTS-Eval 和 WSC-TTS-Eval 上的粤语和四川话生成准确率 96% 和 86%，较 CosyVoice3 提升 2.3% 和 11.5%；; 情感控制：在 CV3-Eval Emotional 上的平均 acc 为

匹配字段正文

的开源思考模型（DeepSeek-v3.2-Thinking、Kimi-K2.5-Thinking）和闭源API（GPT-5.2-thinking-high、Gemini-3.0-Pro-preview-thinking-high、Claude-Opus-4.5-Extended-Thinking）作为参考。 Ring-2.5-1T 在数学、代码、逻辑等高难推理任务（IMOAnswerBench、AIME 26、HMMT 25、LiveCodeBench、ARC-AGI-V2）和智能体搜索、软件工程、工具调用等长程任务执行（Gaia2-search、Tau2-bench、SWE-Bench Verified）上均达到了开源领先水平。 我们还额外测试了深度思考模式（heavy thinking mode），通过在推理过程中扩展并行思考与总结，实现测试时扩展，从而有效提升推理的深度与广度。 在 IMO 2025（满分 42 分）中，Ring-2.5-1T 获得 35 分，达到金牌水平；在 CMO 2025（满分 126 分）中取得 105 分，显著高于金牌线（78 分）及国家集训队入选线（

匹配字段正文