大语言模型（LLM）是否真的“知道”自己在想什么？当我们问模型“你为什么这么回答”时，它是在真诚地剖析内心，还是仅仅在根据训练数据一本正经地胡说八道（Confabulation）？ ArXiv URL：http://arxiv.org/abs/2601.01828v1 这是一个困扰AI研究界已久的难题。毕竟，模型不仅学会了推理，也学会了如何“扮演”一个有内省能力的人类。为了解开这个谜题，Anthr

开篇：单体模型真的越大越好吗？ ArXiv URL：http://arxiv.org/abs/2601.01330v1 在通往AGI（通用人工智能）的道路上，我们似乎陷入了一种“军备竞赛”：模型参数越来越大，训练数据越来越多。Google 最新的 Gemini 3 Pro 刚刚树立了性能新标杆，仿佛在告诉大家：“大，就是正义。” 但是，这真的是唯一的出路吗？ 如果我们将十个“臭皮匠”级别的开源模型

开篇：单体模型真的越大越好吗？ ArXiv URL：http://arxiv.org/abs/2601.01330v1 在通往AGI（通用人工智能）的道路上，我们似乎陷入了一种“军备竞赛”：模型参数越来越大，训练数据越来越多。Google 最新的 Gemini 3 Pro 刚刚树立了性能新标杆，仿佛在告诉大家：“大，就是正义。” 但是，这真的是唯一的出路吗？ 如果我们将十个“臭皮匠”级别的开源模型

开篇：单体模型真的越大越好吗？ ArXiv URL：http://arxiv.org/abs/2601.01330v1 在通往AGI（通用人工智能）的道路上，我们似乎陷入了一种“军备竞赛”：模型参数越来越大，训练数据越来越多。Google 最新的 Gemini 3 Pro 刚刚树立了性能新标杆，仿佛在告诉大家：“大，就是正义。” 但是，这真的是唯一的出路吗？ 如果我们将十个“臭皮匠”级别的开源模型

普林斯顿大学的一项新研究，让一个大模型 Agent 真正当了一回“物理学家”，其成果不仅令人印象深刻，更对科研范式本身提出了深刻的挑战。这个由 Claude Opus 4.6 驱动的 AI Agent 自主完成了一个完整的“迷你科研循环” (mini research loop)：它能阅读一篇已发表的计算物理学论文，复现其核心计算，批判性地评估其结论，甚至在此基础上进行扩展，最终撰写出一篇足以发表

当我们在惊叹于 AgentOrchestra 或 Devin 等顶尖 AI Agent 处理复杂任务的能力时，往往忽略了一个尴尬的现实：这些系统正在疯狂地“烧钱”。 ArXiv URL：http://arxiv.org/abs/2601.02695v1 为了追求极致的性能，现有的 Agent 系统通常会无脑调用最昂贵的模型（如 GPT 4 或 Claude 3.5 Sonnet）。这就导致了一个严

当我们在惊叹于 AgentOrchestra 或 Devin 等顶尖 AI Agent 处理复杂任务的能力时，往往忽略了一个尴尬的现实：这些系统正在疯狂地“烧钱”。 ArXiv URL：http://arxiv.org/abs/2601.02695v1 为了追求极致的性能，现有的 Agent 系统通常会无脑调用最昂贵的模型（如 GPT 4 或 Claude 3.5 Sonnet）。这就导致了一个严

当我们在惊叹于 AgentOrchestra 或 Devin 等顶尖 AI Agent 处理复杂任务的能力时，往往忽略了一个尴尬的现实：这些系统正在疯狂地“烧钱”。 ArXiv URL：http://arxiv.org/abs/2601.02695v1 为了追求极致的性能，现有的 Agent 系统通常会无脑调用最昂贵的模型（如 GPT 4 或 Claude 3.5 Sonnet）。这就导致了一个严

普林斯顿大学的一项新研究，让一个大模型 Agent 真正当了一回“物理学家”，其成果不仅令人印象深刻，更对科研范式本身提出了深刻的挑战。这个由 Claude Opus 4.6 驱动的 AI Agent 自主完成了一个完整的“迷你科研循环” (mini research loop)：它能阅读一篇已发表的计算物理学论文，复现其核心计算，批判性地评估其结论，甚至在此基础上进行扩展，最终撰写出一篇足以发表

大型语言模型（LLM）的推理能力，尤其是在数学这类需要严谨逻辑的任务上，一直是衡量其智能水平的关键标尺。为了提升模型的推理表现，研究者们普遍采用强化学习（RL）作为一种有效的“后训练”（post training）对齐手段。然而，强化学习的成败在很大程度上依赖于一个核心要素：奖励函数（reward function）。这个函数定义了什么是“好”的行为，什么又是“坏”的行为，从而引导模型的优化方向。