9月22日，美团LongCat团队发布全新高效推理模型LongCat-Flash-Thinking。该模型融合了「深度思考+工具调用」与「非形式化+形式化」推理能力，能够更高效地完成复杂任务。目前，模型已在HuggingFace和Github全面开源，供开发者自由使用。这一发布为AI推理领域提供了新工具，引发广泛关注。

Rice大学华人研究者提出高效推理概念，解决大模型在复杂推理中「想太多」的问题。传统LLM虽推理能力强，但在简单问题上仍冗长复杂，耗费计算资源。研究聚焦于优化推理过程，提出三种高效推理方法：基于模型优化、推理输出压缩及输入提示引导。例如，通过奖励机制减少冗余推理步骤，或采用动态推理策略，按需生成路径。此外，利用高质量数据训练小模型，结合知识蒸馏等技术，提升推理效率。研究强调评估需兼顾准确性与效率，开发的评估框架可量化模型过度思考问题，优化后模型性能提升30%，计算开销降低43%。该研究对资源受限场景下的模型应用具有重要意义。

标题：27岁博士任上海交大AI博导 1997年出生的清华叉院毕业生张林峰，今年6月取得博士学位后，已担任上海交通大学人工智能学院助理教授及博士生导师，领导EPIC实验室。 张林峰的研究方向涵盖大模型量化和高效推理等。他已发表一作和通讯作者论文20余篇，谷歌学术引用超2000次。其中最高引论文面向模型...