推理能力

AI 导读Google DeepMind 发布 Gemini 4 Argon，定位为通用物理推理模型，在 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，称超过其他前沿模型。

AI 选稿理由官方给出 Argon 在 ERQA 上的得分与四类机器人工作流示例，可据此判断物理推理模型的当前能力边界。

AI 导读Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和消费者开放，通过 Gemini API、AI Studio、Google Antigravity 以及 Gemini 应用和 Search 的 AI Mode 提供，入门价每百万输入 token 2 美元、输出 token 10 美元。

AI 选稿理由官方给出 Argon 在编码、科研与安全对齐上的具体案例和定价，可据此判断前沿模型在长程任务中的落地方式。

AI 导读DisaggKD框架将教师模型和学生模型分离到不同节点，通过流式传输隐藏状态、行窗口和词汇分片的蒸馏损失，避免形成完整词汇表logits，并使用预取环协调生产者和训练者。在Qwen3.5-35B-A3B到9B模型对上，分离布局与同节点布局的损失相同且速度更快；融合损失使同节点训练在更少节点上加速，而分离布局在学生跨多节点时内存效率更高。在大规模模型对中，融合损失的同节点运行仍会内存溢出，而分离布局可成功训练。

AI 选稿理由DisaggKD解决了知识蒸馏中教师模型受单GPU内存限制的瓶颈，使大规模模型蒸馏训练成为可能，显著提升训练效率和可扩展性。

AI 导读研究者发布 Game2Real-Bench 基准，覆盖细粒度感知、空间推理、约束推理与序列规划四类能力，包含 1000 个可执行验证的程序化游戏样本和 400 个按推理需求对齐的真实样本。评测 25 个 VLM 后发现游戏与真实任务表现高度一致（相关系数 0.935）；one-shot 游戏中，部分模型的约束推理提升，但细粒度感知下降。团队还构建了含约 24K 样本、18 类任务、65 个 QA 家族的 Game2Real-Dataset。

AI 选稿理由该基准首次系统验证游戏任务与真实视觉推理的对应关系，并给出可执行验证的数据集，可供 VLM 评测与训练选择数据来源时参考。

AI 导读本期头条是微软发布第三代自研 AI 加速器 Maia 300，称每兆瓦性能提升 40%，计划 2027 年起大规模部署；Meta 发布首批前沿级模型 Muse Wonder 与 Wonder Full，强化编码、基准表现和记忆用户信息能力。深度内容涉及 AI 生成软件的责任归属、Anthropic 测试模型自主复制能力、以及昂贵闭环任务为何难以训练。研究方面介绍了以不到 1% 预训练成本改造 Transformer 架构的 Priming 技术，以及 GLM-Legal 在 Harvey LAB 上 19.2% 全通过率。快讯还提到 Claude Opus 5.5 灰度测试、智谱 GLM-5.3-Highspeed 灰度上线约 490 tokens/s 等。

AI 选稿理由微软 Maia 300 给出每兆瓦性能提升 40% 并计划 2027 年大规模部署，Meta 首批前沿模型与 Anthropic 自我复制研究同期刊出，均属可能改变算力成本与模型能力边界的关键动向。

AI 导读本期介绍 TasteVal 对 AI 科研能力的评测、HSS 视觉推理基准，以及 Reflection 和 Mistral 的模型进展；作者进一步讨论科研自动化、政府跨实验室训练与 AI 太空工业化的可能性。

AI 选稿理由把模型成绩、训练成本与科研自动化联系起来，适合追踪下一阶段能力变化；自我改进与太空部分提供作者的长期视角。

AI 导读xAI 的 Grok 4.7 已在 Amazon Bedrock 上线，提供 500K token 上下文窗口和 low、medium、high、xhigh 四档可配置推理强度，通过 bedrock-runtime 端点的跨区域推理配置文件提供服务，支持 Responses、Chat Completions 和 Converse API。

AI 选稿理由文章给出 Grok 4.7 在 Bedrock 上的接入方式、四档推理强度与跨区域路由选择，便于评估长任务智能体的成本与延迟取舍。