注:本文由 OpenAI gpt-6.1-sol 通过 Codex CLI 自动翻译;翻译质量可能有所欠缺,尤其是技术术语。
新闻
推理服务由谁提供,可得看仔细
最近有消息称,不同的 gpt-oss 推理服务提供商,其端点的质量参差不齐。 Artificial Analysis 本周发布的一份报告正式证实了这些说法:使用不同提供商的服务,基准测试得分的差距可超过 10%。
这份报告推动了一些改进。Azure 此前的端点表现几乎垫底,但在报告发布后,他们已经更新了端点,开始提供正确的版本。 他们表示,问题出在所用的 vLLM 版本没有遵循推理强度参数,导致模型以中等推理强度运行,而非高强度。
这也凸显了推理对于 OpenAI 新模型(gpt-oss 和 GPT5)的重要性。 许多用户反馈,GPT5 和 GPT5-high 的差别简直是天壤之别:普通 GPT5 在编程任务中几乎没法用,而 GPT5-high 的表现则相当不错。
Claude 3.5 和 3.6 即将停用
Anthropic 最近宣布,旗下最具影响力的两款模型 Claude Sonnet 3.5 和 3.6 将在两个月后,也就是 2025 年 10 月 22 日停用。 这两款模型对 Anthropic 意义重大:过去一年里,Anthropic 在智能体编程模型领域牢牢占据的主导地位,正是从它们开始建立的。
尤其是 Sonnet 3.5,它可能是我们在未来一段时间里能见到的最后一个“纯粹”的 LLM:训练得恰到好处,没有为了刷榜而堆上过量的强化学习。
这突如其来的告别让许多人措手不及,也引发了技术社区中不少人的强烈反对,因为这些模型比 GPT-4o 之类的模型更有“灵魂”和“情感”。上周 OpenAI 宣布要下架 GPT-4o 时,同样引起了巨大争议,最终迫使 OpenAI 暂时恢复了该模型。
接下来就看 Anthropic 会不会像之前对 Opus 3 那样,设立一些“研究”端点,让用户仍然能够访问这些模型。如果没有,我会想念它们的。它们是第一批“足够好”、能每天使用的编程智能体模型。预计会有人为它们举办一场类似 Sonnet 3 那样的葬礼。
新品发布
GLM 4.5 Vision
Z.ai 团队发布了纯文本 LLM GLM 4.5 的全新多模态版本。 与它所基于的模型一样,这款新模型在开源视觉模型中也达到了最先进水平。 它基于规模较小的 GLM 4.5 Air,因此在家用设备上运行也具有可行性。

虽然基准测试成绩不错,但它还不够成熟,已经暴露出过度思考、输出格式等诸多问题。 发布以来,Z.ai 已经修复了其中一些问题,但其他问题仍然存在。 鉴于上述问题,我目前不推荐使用这款模型,而是建议使用 GLM 4.1。它的表现接近 4.5,参数量却只有 90 亿,而非 1200 亿。
总体而言,视觉语言模型(VLM)与纯文本模型相比,仍然相当不给力。它们在很多很多情况下都会表现出过拟合、偏见,或者做出一些让你怀疑它们根本什么都看不见的行为。本周发布的这篇研究论文就凸显了这些问题。
与此同时,他们还发布了视觉模型(GLM 4.1 和 4.5)的研究报告,以及文本模型的研究报告。 如果你是强化学习研究者,我也建议去看看他们的强化学习训练框架 SLIME,听说相当好用。
DINO V3
这次换换口味,不聊常见的 LLM 和图像生成模型了。Meta FAIR 发布了 DINO 系列计算机视觉模型的最新版本。
这些模型用于提取图像特征。因此,如果你想做一个图像去重模型、珍稀鸟类分类器,或者自定义图像分割模型,DINO 就是合适的选择。凭借对图像扎实的基础理解能力,它在数据量较少的情况下也能表现出色。
与之前的版本不同,这款模型的参数规模已扩展到数十亿级,而这一直是计算机视觉研究者难以做到的事。它在高分辨率图像上的表现也非常出色,几乎在所有适用的计算机视觉基准测试中都创下了新的最佳成绩。
这款模型提供了多种规模,从 2900 万参数一直到 70 亿参数。70 亿参数版本是“基础”模型,其他所有模型都由它蒸馏而来。 在实际应用中,你大概会更想使用这些蒸馏模型,因为它们的表现相近,体积却缩小到了十分之一,甚至更小! 小模型分为两种架构:ViT 和 ConvNext。 ViT 模型的效果更好,适合大多数生产环境中的任务;ConvNext 模型则极其轻量,适合端侧部署。
研究
LLM 收集信息的能力究竟如何?
在了解一个新领域或新话题时,你大概经常要花上大量时间反复查找资料,弄清这个领域当下有哪些值得关注的信息。你自然会希望 AI 能把这件事自动完成。
ByteDance 研究实验室的一组研究者也这么想,于是他们构建了一个基准测试,用来衡量不同 LLM 完成这项任务的能力。
以下是基准测试中的一些示例:
请列出 Taylor Swift 在 2010 年 1 月 1 日至 2025 年 5 月 1 日期间所有官方巡演中的每一场演唱会,包括具体日期、演唱会英文名称、国家、城市和场馆。每场演出单独占一行,按时间从早到晚排列。
请提供截至 2024 年 12 月 31 日法国巴黎米其林三星餐厅的详细名单。我尤其想知道每家餐厅的名称、主要菜系风格和准确地址。
注:为简洁起见,省略了格式要求
研究发现,所有模型在这方面都很差,没有一个模型的得分超过 6%。他们测试了单智能体、多智能体,以及端到端浏览器操作系统。
这些智能体遇到的困难并非源于搜索错误,而是根本性的认知错误。 它们在规划阶段就没能把问题拆分成足够简单的子查询。 如果一次查询没找到答案,它们就会放弃,而不是尝试其他查询。 即使找到了正确的来源,它们也会误读或忽略其中的内容,或者凭空编造来源中并不存在的信息。
话虽如此,这个数据集对人类来说也很难:普通的人类专家在这些任务上的得分也只有 20% 左右,不过这仍然接近 AI 得分的三倍。
结语
希望你喜欢本周的新闻。如果你想每周都收到这些资讯,记得在下方订阅我们的邮件列表。
