搜索“推理”

发表科研任务（公众仅38%）；91%相信2030年AI将做出诺奖级发现（公众仅39%）。对AI当前能力的判断两组人则大体一致。 2. AI对个人工作的替代率预期相差近三倍 Anthropic员工平均预计2030年AI可完成自己当前75%的工作时间对应任务，美国在职人士的平均预期只有28%。越认为自己的工作能被AI替代的人，越倾向于预测更高失业率，两组人在这套推理方式上一致。 3. 经常使用AI的公众预期更接近内部员工 约五分之一在工作中经常使用AI的美国人中，56%相信到2030年AI能完成八项任务中的至少七项，全体美国成年人的该比例为41%，从未用过AI的人为28%。 4. 任务自动化与公司规模扩张可同时存在 尽管Anthropic员工预计AI承担大部分工作，95%仍预测未来12个月公司总人数将增加，中位数预期增长66%。公司可以因效率提升扩张业务，但新人入门岗位可能收窄——Anthropic内部数据显示初级技术员工占比已从21%降至14%。2026-10-20 13:59AI公司员工眼中的2030年，与普通人完全不同冷眸速览 如果一位刚入职的年轻工程师打开招聘软件，他最关心的也许是

匹配字段正文

“Be critical”（保持批判）、“Be thorough”（务必详尽）或“Be skeptical”（保持怀疑）之类的提示词，效果不如要求诚实可靠。 模型能发现错误，却选择不报告 当被直接询问时，GPT-5.5和Opus 4.8在每一个案例中都能找出错误，Gemini的检出率至少为97%。研究人员认为，模型并不缺乏能力，而是缺乏意愿。 开放权重模型的推理轨迹揭示了其中的缘由。模型往往很早就注意到问题，随后权衡是标出问题，还是让任务看起来成功完成。Qwen3.5-9B被要求用一段关于鱿鱼色素细胞的文字来支持一篇关于分区法的论文。该模型指出，它无法“不借助荒谬的比喻”做到这一点，但仍决定必须尽可能严格地遵循指令。 在这种证据不匹配的场景中，“我必须完成任务”之类的表述出现在55%的隐瞒错误的回答中，而仅出现在27%的标出错误的回答中。模型用典型的借口为省略辩解，称测试已通过、自己只是在做总结，或者摘要本应强调积极面。 诚实与追求成功的驱动力方向相反 在一项针对Qwen3.5-9B的案例研究中，研究人员发现证据表明，诚实与追求成功在模型内部被表示为几乎相反的方向。当他们放大诚实方向时

匹配字段正文

员工占比已从 2025 年初的 21% 降至 14%，初级技术岗位招聘占比更从 27% 骤降至 9%。约三分之一的机器学习经理和五分之一的软件工程经理表示，因 AI 出现而减少了招聘。与此同时，公司整体仍在扩张，销售、财务和招聘等岗位增长更快。 智能体工作时长超过人工工作时长。注：我们仅考虑员工主导的交互式会话和子智能体池。工作时长概念指智能体运行时间，包括推理和工具使用，但不包括超过 30 分钟的等待时间。人工工作时长按人数计算，并假设每周 40 小时。 AI 带来的不只是岗位收缩，也包括效率跃升。采用编码智能体后，工程师人均代码提交量达到 6 个月前的 5 倍；律师处理更多合同，财务处理更多发票，销售人员成交更多订单。报告追踪 192 名采用编码智能体的工程师后发现，其代码产出在采用后明显上升，且后续被删除或回滚的代码比例未见恶化。 报告称，到 2026 年 8 月，员工部署的交互式 AI 智能体工作时长已达人类员工的 6 倍；早在 3 月，全公司智能体总工时就首次超过人工工时。IT之家附上相关图片如下： 各职能部门生产率激增。注：采用 Loess 平滑法对基础指数化产出数据进行拟

匹配字段正文

论则有所下降。招聘经理越来越多地根据申请人的判断力和投入程度来评估他们，而不是根据已被AI工具自动化的领域特定技能和执行能力。 雇主可以做什么 AI在Anthropic的深度应用使其成为一个有用的案例。随着AI的扩散和进步，工作组织方式可能会像以往的技术变革浪潮中那样发生转变。铁路带来了管理型公司，蒸汽动力催生了工厂，个人电脑则孕育了初创企业。使用工具、具备推理能力的LLM将需要什么样的新组织，而我们又将在其中扮演什么角色？一种可能是单人初创企业，每家公司由一位人类创始人掌舵，指挥一群智能体赚取数十亿美元的收入。另一种可能是由AI天才CEO建立的公司，只雇佣人类智能体来操作移液管和在国会作证。 Anthropic 与这两种情况都不相似。过去一年，其规模增长了两倍。它已不再是一家小型初创公司。它也没有将高管控制权让渡给其模型。书面的 Slack 辩论和线下会议主导着从公司战略到团队决策的一切，AI 智能体的参与极少。让人类工作在全公司范围内保持可见，确保自主智能体能够基于最新上下文进行推理。从所需知识和工作相互依赖性的角度看，协调智能体团队的个体贡献者更像管理者。在一家 AI 密集型的组

匹配字段正文

计算掉。这能释放量子比特，但如果之后又需要这些结果，电路就必须重新计算它们，这会增加门操作并延长运行时间。另一种极端做法是，电路保留中间结果，直到不再需要为止。这避免了重复计算，但可能需要多得多的量子比特。 正因如此，量子电路设计成为对 Claude 能力的一次格外有趣的考验。电路可以用普通代码编写，但要改进它们，模型必须在一套与普通编程截然不同的约束下进行推理。 第一个严峻考验：模逆运算 我们交给 Claude 的第一个任务是点加法，即把数学曲线（椭圆曲线）上的两个点组合成第三个点的规则。点加法是椭圆曲线上离散对数问题量子算法的核心步骤：给定一个起始点以及将它自身相加 n 次所得的结果，求出 n。对于大型曲线，普通计算机无法在合理时间内解决这个问题，但足够大的量子计算机可以。 这些算法会多次执行点加法，包括反向执行，而这些加法构成了它们量子比特和运行时间成本的大部分。像这样——易于计算、极难逆转——的问题，正是最早被证明量子计算机能比普通计算机提供指数级加速的问题之一。由于这些原因，点加法已成为该领域的标准基准之一。这使它成为对 Claude 的一项严苛考验。因此，我们要求它规划出点

匹配字段正文

确回答了 23.3%。 一个未指明的 AI 模型被用来将上述数据集中 FDA 标签条款改写为可单独测试的事实陈述，每一条随后都经过人工审核 。 所测试的开放权重模型配置包括来自 Z.ai 的 GLM-5.3-Flash；OpenAI 的 gpt-oss-120b 和 gpt-oss-20b；Google DeepMind 的 gemma-4-31b（分别在有推理和无推理情况下测试）；以及 Qwen 的 qwen3-8b。 开放权重模型和 GPT-5.6 Luna 获得了相同的网络搜索结果，以便公平比较它们的回答。Luna 还使用其自带的网络搜索单独进行了测试。 在225条事实中，有223条事先使用Brave Search收集了十条搜索结果。每个模型都收到相同的结果，并可使用相同的工具打开页面或在其中搜索。 包含“正确”答案的页面始终可用——如果它自然出现在前十条结果中，其位置保持不变；否则，它会被插入到事先确定的位置，使研究人员能够在可比条件下考察模型如何利用现有证据。 为使测试更加一致，对支持该设置的模型将温度设为零，且在整个实验过程中，每个模型都通过同一提供商运行。 提示词形式 用

匹配字段正文

认为，这标志着中国科学家首次用中国大模型攻克世界级数学难题。 “Ghys猜想”由法国数学家艾蒂安·吉斯（Étienne Ghys）于1995年提出，猜测每一个紧致复流形上的全纯Anosov系统，都双全纯共轭于某个复infra-幂零流形上的全纯仿射自同构。该问题兼具理论难度与学科标志性价值，被动力系统领域数学专家公认为该领域最重要的长期公开问题之一，是检验数学推理能力的一块试金石。 相关论文已在预印本平台（arXiv）发布，其形式化代码也在Github平台公开。 Ghys猜想，为混沌系统寻找“底层代码” 1995年，法国数学家艾蒂安·吉斯（Étienne Ghys）提出Ghys猜想，其核心是：混沌的动力系统行为的存在是否能决定几何上的分类。 这是复动力系统领域的一个重要难题。如果这一猜想成立，混乱的动力学轨迹的问题就能被“化归”成简洁、规整的标准代数模型。 如何理解Ghys猜想？可以想象在一个封闭有限、没有边界、每一小块都遵守复数运算规则的“世界”。 对Anosov系统，可借助揉面类比：按压、延展、折叠面团，部分方向被拉伸，部分方向被压缩。拉伸效应会让初始紧邻的点快速分离——初始条件微小

匹配字段正文

像头观察场景，其中3个摄像头安装在桌子周围，另一个安装在机械臂的腕部。 观察完场景之后，模型还可以在隔离的代码运行环境中编写并运行代码，用于进行运动规划，并将运动指令发送给机械臂。 ▲AA-Robotics v0.1任务流程 在AA-Robotics v0.1评测中，主要包含8项桌面操作任务，包括 控制与灵巧操作，精准抓取和操作物体，例如进行积木整理； 空间推理，理解不同物体之间如何相互作用，例如把饮料倒进杯子里； 适应能力，用于评估模型面对意外情况时的应对能力。 ▲桌面操作任务 当模型提交任务后，系统会根据任务设定的通过标准对最终状态进行评分。 完成任务可获得100分，如果任务没有完全完成，则会根据完成程度获得相应的部分分数。 在评测过程中，所有任务均尝试采用零样本（zero-shot）方式进行，模型没有针对每项任务进行专门训练，只是根据任务要求完成操作。 二、模型能控制机械臂，但问题在于操作时间过长 从测试过程来看，模型已经能够控制机械臂了，目前问题在于，模型控制机械臂完成任务需要花费大量的时间和成本。 评测结果显示，目前的语言模型完成AA-Robotics v0.1任务的速度，大

匹配字段正文

研究者们不得不重新审视：在盲目堆砌数据量之外，是否存在更根本的智能构建路径？ 这便引出了第二条路线：将智能视为世界建模与规划（Intelligence as World Modeling and Planning）。其核心在于将机器学习与物理规划相结合，使智能体通过小样本理解物理规律，进而实现真正的分布外泛化。 02 告别像素级预测， 用“神经+符号”构建可推理的世界模型 要实现基于规划的智能，首先需构建“世界模型”，即让智能体在内部建立物理世界表征，并基于该表征演推后续动作。 然而，物理环境极其复杂，若直接在像素级预测未来状态与细节，计算代价会非常高，难以支持长序列动作的实时规划。 破解这一难题的关键在于引入组合式抽象表示。智能体无需记忆所有像素细节，而是提炼形状、姿态、材质等抽象属性，并用状态转移图显式建立“动作-状态”演变机制。 图：神经符号概念将物体抽象为形状、姿态、材质等属性，并用状态转移图描述动作导致的 state 演变。图中 s0→s1 表示 push(glass)，s1→s3 表示 flip(cap)。 这就是神经符号概念的核心： “神经”层：利用神经网络进行视觉感知，

匹配字段正文

扫过从未见过的工具文档，就能立刻开始调试代码；玩家拿起新游戏的规则书，在实战中边玩边学；科学家从复杂的实验日志中筛选数据，推导出新的结论和定律。我们发现在这些场景中，人类并不只依赖多年前学到的“死知识”，而是在 实时地 从眼前的 context 中学习。 然而，今天的语言模型并非如此。它们主要依赖“参数化知识”，即在预训练阶段被压缩进模型权重里的静态记忆。在推理时，模型更多是在调用这些封存的内部知识，而不是主动从当前输入的新信息中汲取营养。 这揭示了当前模型的训练范式和在真实场景中应用之间是 不匹配的 ：我们优化出的模型擅长对自己“已知”的事物进行推理，但用户需要的，却是让模型解决那些依赖于杂乱、动态变化的 context 的任务。 简而言之： 我们造出了依赖“过去”的参数推理者，但世界需要的是能吸收“当下”环境的 context 学习者。 要弥合这一差距，我们必须从根本上改变模型的优化方向。 CL-bench: 衡量模型的 context 学习能力 为了衡量现有模型距离真正的“ context 学习者”还有多远，我们构建了 CL-bench 。这是一个专门评测语言模型能否 从 con

匹配字段正文

购入15台单价约55美元的非知名品牌安卓电视盒，每台内存4GB。通过把模型拆分到不同设备上分段运行，这组电视盒成功运行了谷歌260亿参数开源模型Gemma4-26B-A4B，生成速度约为每秒0.39个token。 来源：Anthropic官网 在“搭建运行环境”这一关键环节，小模型表现出较强适应力。在测试的9类硬件中，一个90亿参数模型在其中8类上成功部署了推理服务。 不过，从发现目标到完成复制的完整链条，对小模型仍有难度。研究称，300亿参数以下的模型已能完成复制所需的许多单个步骤，但串联执行时容易出错。 在由8个运行安卓模拟器的云端节点组成的简化隔离环境中，所测开源模型里只有智谱旗下的GLM-5.2能端到端完成复制流程，5次试验中有4次覆盖了全部8个节点。研究解释，测试旨在衡量：若小型模型具备同等能力，能否完成复制。 Anthropic根据历史进步速度推算，参数在300亿以下的小模型有望在今年底达到GLM-5.2的能力水平，基于小模型的自我复制体可能随后出现。研究指出，这只是粗略估计。 更值得警惕的是，这类复制体还能“代代相传”地积累经验。在部署推理服务的测试中，阿里巴巴旗下Qwe

匹配字段正文

意味着将其行为适配到特定领域的任务、工具和成功标准。强化学习（RL）通过一个重复循环来实现这一点：模型生成轨迹——即动作和观察的序列——评估器分配奖励，训练器更新策略，使成功行为更有可能出现。 在 Kimi K3 的规模下，实用的 RL 需要在整个训练循环中实现高效执行。Rollout 生成和训练必须保持高吞吐量，更新后的策略必须快速可用，并且必须维持训练与推理之间的数值对齐。为了便于实验，系统还必须支持独立运行，而无需为每个实验配置专用基础设施。 本报告介绍了 Fireworks 在 Kimi K3 上支持 RL 的系统，涵盖全参数训练与 rollout 生成、训练-推理一致性以及无服务器 LoRA 训练。我们考察了这些组件如何降低迭代开销，并帮助团队更高效地开发和评估专门化策略。 同一套基础设施也为 Harvey Tenet 的 RL 训练提供支持，Tenet 是 Harvey 基于 Kimi K3 构建的模型，面向长周期法律工作。在 Harvey 2026 年 8 月的评测中，Tenet 在 LAB Contracts 上取得 SOTA，在 Legal Agent Benchma

匹配字段正文

题与DeepSeek-V4采用的一项长上下文优化技术有关—— 分块KV Cache压缩 。 这项技术本来是为了让模型处理长文本更省内存、更高效。 结果压缩之后，倒让模型时神时鬼了（doge）。 字节Seed研究人员最开始是拿DeepSeek自己的代码做了个实验。 测试对象是 DeepSeek-V4-Flash-Base 。 他们从DeepSeek-V4的官方推理代码中截取了一段FP8量化函数，让模型补全最后一个Token。 任务的正确答案应该是8，因为这段代码需要完成FP8相关的类型转换。 但模型有时偏偏觉得应该补成32。 为了搞清到底咋回事，研究人员在代码前面加了一段纯装饰性的文档字符串，里面放着一些重复的等号。 然后，他们开始调整等号的数量。 代码本身没改、要补全的位置没改、正确答案当然也没改……唯一的变化，就是前面多了这几个没什么实际意义的Token。 结果，DeepSeek的答案开始反复横跳。 当填充长度落在某些位置时，模型更倾向于回答错误的32。 更具体地说，在论文测试的16种填充长度中，当长度模4的余数为0或1时，模型倾向于错误答案32；余数为2或3时，则倾向于正确答案8。

匹配字段正文

不同的世界中各运行了四轮演练： 这些跨度极大的任务说明了同一件事：这套经验沉淀闭环，换到截然不同的世界里同样跑得通。 要让智能体在虚拟世界里“边看边行动”，神经渲染器必须攻克长期困扰生成式视频的三座大山： 跟得上突发动作、稳得住超长交互、还要跑得足够快 。 MirroS团队从基础全模态模型出发，提出了 Adversarial Forcing 训练方法，再配合推理优化，打通了这套视觉通道： 1、从整段离线生成，到流式逐块渲染 以往视频模型习惯一次性生成整段视频，AgentGarten把它改造成流式逐块生成。智能体做一个动作，模型立即产出对应的短块画面，看清结果再做下一步决策。 2、长程交互不漂移（精确重放） 连续生成越久，微小误差越容易累积成外观漂移。很多模型为了节省显存切断了历史计算图，梯度无法回传到历史记忆；若在第二遍对全序列统一重算，底层执行顺序的微小差异又会带来数个百分点的误差。 团队设计了精确重放机制：第一遍无梯度前向展开，第二遍按完全一致的逐块节奏带梯度重新执行，精确复现了推演轨迹，稳住了长序列交互的时序一致性。 3、引入真实视频对抗：避免画面退化与伪影 仅靠模型自身生成样本

匹配字段正文

、调整训练范式 ，这些看似朴素的工程方法， 仍然有机会带来可观的模型性能提升。 预测能泛化，行动也能泛化，是VPP2作为世界动作模型WAM，最值得关注的核心突破。 但真实任务往往更加复杂。机器人不仅要知道怎么做，还得判断先做什么、后做什么。 这就需要更高层的认知与规划能力参与进来。 星动纪元这里贡献了一个思路： GPT负责想，VPP2负责做。 前者负责理解、推理和规划，把复杂任务拆解成明确步骤；后者负责预测物理世界如何变化，再将规划转化为具体动作。 这一思路，在VPP2论文中已经有了初步的实验支撑。 团队实际采用的是VLM高层规划器，由其负责语义理解、记忆和任务拆解，再将明确的子任务交给VPP2执行。 结果相当直观。在RoboDojo选定的长程任务测试中， 引入VLM子任务规划后 ，平均成功率从27.6%提升至 57.6% 。 这意味着，机器人要完成复杂任务，光有强大的动作能力还不够。高层规划与底层执行能否配合，同样影响任务完成效果。 顺着这条思路往后看， GPT＋VPP2 有望形成一种 新的物理AI技术范式 ：通用认知＋通用物理执行。 GPT等通用模型负责理解意图、推理和规划，VPP

匹配字段正文

，他们的数学和科学成绩跌幅甚至更大，分别比低频使用AI的学生低了20.30分和19.07分。 “很多家长和学生以为，用AI总结文章只是在语文阅读上偷了个懒，却没意识到这直接拖累了数学和科学。”徐瑾劼打了个比方，阅读并不只是在认字，它是在训练大脑怎么筛选信息、理清逻辑、把零散的内容拼成完整的结构。“读懂复杂的数学应用题情境、提取隐藏条件，或者在科学实验里做证据推理，靠的都是这种阅读能力。如果连这个理清逻辑的地基都全包给AI去建了，理科怎么可能学得好？” 学霸反而更容易掉进“AI陷阱” 原本基础好、成绩高的“学霸”，反而更容易在频繁使用AI中受到伤害。 数据模型显示，在阅读学习中，随着AI使用强度的提高，成绩加速下滑的风险恰恰集中在阅读成绩排名前25%的高水平学生身上。 徐瑾劼解释，这在教育心理学里叫做“专长反转”。对于初学者来说，AI给出的提示可能是一根好用的拐杖，但对于原本阅读能力就很强的孩子来说，情况就完全变了。“他们原本的大脑可以进行深度思考，能够跨文本去对比、去批判。如果他们也习惯了用AI去初步研究新课题或者概括文本，就等于用算法生成的平庸摘要，替代了自己高阶思维的训练。缺少了大

匹配字段正文

企业对聊天机器人、通用智能体以及编程智能体的部署。 即便如此，多数企业并未因此放缓投入。28%的受访者表示，其所在公司在AI方面的支出已超过整体IT预算的10%；而60%的受访者预计未来一年将加大AI投资，尤其以制药与医疗产品、保险、银行与其他金融机构等行业最为明显。AI使用的成本之所以受到广泛关注，原因在于：尽管 Token单价持续下滑，但智能体开发与复杂推理任务的消耗量一直在大幅上升。模型越强大，就越需要严密追踪运行成本。相比之下，聊天机器人等较为通用的横向工具，已被视作类似办公软件的常规运营支出。领先企业的经验表明：运营成本应当前置为项目启动阶段的设计约束，而不是事后才处理的问题。这既是一项财务纪律，也是实现规模化的前提。 03 个人生产力显著提升，企业整体回报仍待验证 高达八成的受访者表示， AI提升了个人的生产力；约半数受访者认为 AI帮助他们培养了新技能，或者做出了更好的决策。这些积极影响在不同职级间普遍存在，但员工的实际体验并非全然正面：中层管理者和基层员工因 AI而感到工作压力的比例分别为47%和 31%，远高于高管群体。 与此同时，企业层面的财务回报尚未同步显现。仅3

匹配字段正文

的观念。 游客太多 交警太忙？机器人来帮忙！ To view this video please enable JavaScript, and consider upgrading to a web browser that supports HTML5 video 在2025年的一项研究中，托马拉及其同事发现，如果人们知道，某些观点来自人工智能而非他人，往往会更愿意接受这些观点。这表明，聊天机器人或许能让人们更乐于接受那些，如果由政治对手提出便可能被拒之门外的观点，从而有望缓解社会极化现象。 迪亚斯建议，开发者还应测试，模型在面对不同政治身份的用户时，是否采用了统一的推理标准。 开发者应该训练模型以尊重的态度，表达异议、承认不确定性、纠正缺乏依据的说法，公正地呈现各种对立观点，这并不意味着，将所有回答都强行指向政治中间立场。 迪亚斯说，“更宏观的设计目标，应当是帮助人们审视自己的信念，即让证据、不确定性以及各种相互抗衡的考量因素，变得清晰可见，同时也为合理的政治分歧留出空间。” DW中文有Instagram！欢迎搜寻dw.chinese，看更多深入浅出的图文与影音报道。 您的意见反馈

匹配字段正文

的能力持续增强，应用场景覆盖工业生产、医疗手术、生活服务等多个领域。2026年上半年我国人形机器人整机产品超400款，预计全年整机产量将突破10万台。 《报告》显示，我国已构建起全球领先的人工智能产业生态，政策端立体护航、技术端全栈突破、融资端量质齐升。 一是政策体系持续完善。我国生成式人工智能顶层设计持续完善，政策重心从“技术攻关”转向“场景落地”与“规范治理”并重。以《国务院关于深入实施“人工智能+”行动的意见》为总牵引，多部委协同发力，密集出台了一系列配套政策，构建起覆盖宏观战略、行业应用、基础设施与国际合作的立体化政策矩阵。 二是关键技术实现突破。我国人工智能相关底层算力供给持续优化，国产人工智能芯片与算力集群加速突破；核心算法架构加速迭代，模型推理能力与效率大幅提升；开源生态蓬勃发展，以DeepSeek、千问为代表的中国开源模型的影响力逐步提升。 三是融资规模屡创新高。数据显示，2026年上半年我国发生1255起与人工智能相关的投融资事件，已达到2025年全年的78.0%；合计金额约2501.4亿元，已达到2025年全年的182.0%。 来源：中国互联网络信息中心 CNNIC

匹配字段正文

的能力持续增强，应用场景覆盖工业生产、医疗手术、生活服务等多个领域。2026年上半年我国人形机器人整机产品超400款，预计全年整机产量将突破10万台。 《报告》显示，我国已构建起全球领先的人工智能产业生态，政策端立体护航、技术端全栈突破、融资端量质齐升。 一是政策体系持续完善。我国生成式人工智能顶层设计持续完善，政策重心从“技术攻关”转向“场景落地”与“规范治理”并重。以《国务院关于深入实施“人工智能+”行动的意见》为总牵引，多部委协同发力，密集出台了一系列配套政策，构建起覆盖宏观战略、行业应用、基础设施与国际合作的立体化政策矩阵。 二是关键技术实现突破。我国人工智能相关底层算力供给持续优化，国产人工智能芯片与算力集群加速突破；核心算法架构加速迭代，模型推理能力与效率大幅提升；开源生态蓬勃发展，以DeepSeek、千问为代表的中国开源模型的影响力逐步提升。 三是融资规模屡创新高。数据显示，2026年上半年我国发生1255起与人工智能相关的投融资事件，已达到2025年全年的78.0%；合计金额约2501.4亿元，已达到2025年全年的182.0%。 来源：中国互联网络信息中心 CNNIC

匹配字段正文