国产SOTA新模型精准get“画(3+6)条命的动物” | 开源 生成图像这件事，会推理的AI才是好AI。比如，以往给AI这样一句Prompt：“（3+6）条命的动物。”人类一眼知道是猫咪，但AI可能将其理解为单纯的数学题。传统AI生成的猫图虽形象，但未真正理解“九条命=猫”的含义。 为解决这一...

6月17日，谷歌DeepMind发布论文称其AI模型Gemini 2.5 Pro在《宝可梦》游戏中表现出类似“畏死”的情绪，当角色生命值接近归零时，AI会触发异常决策，导致推理能力显著下降，这一现象与人类在高压下的非理性行为相似。Anthropic公司研究显示，Claude在月见山关卡中因错误解读规则，试图通过全灭宝可梦快速移动，却陷入迷宫困境，暴露出AI对规则理解的局限性。尽管如此，Gemini 2.5 Pro在特定任务中展现出强大能力，借助人类设计的“能动工具”成功解决复杂谜题，但完全自主决策仍需突破技术瓶颈。

标题：知识类型视角评测图像编辑模型推理能力：程序性推理表现欠佳 东南大学联合多家机构提出KRIS-Bench，从知识类型角度系统评测图像编辑模型的推理能力。KRIS-Bench涵盖事实性、概念性和程序性三种知识类型，细分为7大推理维度、22种任务，覆盖从初级到高级的全谱系难度。样本总量达1,26...

6月6日，苹果机器学习研究中心发布论文指出，现有AI大模型更像是在记忆而非真正推理。研究评估了OpenAI、DeepSeek、Anthropic及谷歌的前沿推理模型，发现虽能在中等复杂任务中表现良好，但在高复杂度任务中性能急剧下降至零准确率。研究显示，随着问题难度增加，模型用于‘思考’的token数量反而减少，表明现有推理方法存在根本性局限。研究人员通过可控解谜环境分析模型内部推理轨迹，将任务分为低、中、高复杂度三个阶段，发现两类模型在高复杂度任务中均失效。此研究质疑了当前基于数学基准的评估方式，强调需更细致的实验设计以深入理解模型能力与局限，为未来研究提供方向。

新加坡国立大学等机构的研究者提出了一种元能力对齐训练框架，模仿人类推理心理学原理，结合演绎、归纳与溯因能力，显著提升AI在数学、编程等任务上的性能。该框架无需人工标注，可自动生成训练数据并验证结果。实验显示，7B和32B参数量的模型在数学任务上分别提升了11.1%的性能。这种方法不仅增强了模型的推理能力，还展现了跨领域的可扩展性，为构建更鲁棒、可解释的AI模型提供了新思路。

5月31日消息，百度AI搜索今日宣布全面接入深度思考模型DeepSeek R1-0528。该模型在5月28日晚完成小版本升级，提升了模型架构、推理能力和开放性。DeepSeek R1-0528不仅能在PC端和App端为用户提供免费服务，还已在百度智能云千帆大模型平台上线。据官方介绍，该模型具有更强的推理能力，能够更准确理解用户意图，提供个性化且精准的搜索结果。同时，其写作表达更加人性化，内容信息更丰富，逻辑更清晰，可高效完成复杂任务。此前，腾讯旗下的多个AI应用也已率先接入此版本。

5月29日，深度求索官方发布了DeepSeek-R1-0528的小版本更新详情。该版本基于2024年12月发布的DeepSeek V3 Base模型，通过加大后训练算力，显著增强了模型的推理能力和思维深度。在AIME 2025测试中，新版模型准确率提升至87.5%，相比旧版的70%有明显进步。此外，在 Humanity's Last Exam 测试中，新版模型的表现接近国际顶尖模型o3与Gemini-2.5-Pro。除推理能力外，幻觉问题也得到改善，幻觉率降低45%-50%。新版本还优化了创意写作、工具调用及前端代码生成等功能，并同步更新API，新增Function Calling和JsonOutput支持。DeepSeek-R1-0528模型权重已开源，上下文长度达128K，兼容MIT License。

标题：多模态大模型视觉推理能力不足：RBench-V评估显示o3仅25.8%，远低于人类82.3% 多模态时代如何评估模型的视觉输出能力？清华大学、腾讯混元、斯坦福大学等机构联合发布RBench-V，专门评估大模型的视觉推理能力。该基准测试涵盖几何、物理、计数及图形游戏等领域，要求模型生成或修改图像...

标题：AI越聪明越不听话！新研究：最强推理模型指令遵循率仅50% 最近，上海人工智能实验室与香港中文大学的研究团队发布论文《Scaling Reasoning, Losing Control: Evaluating Instruction Following in Large Reasoning M...

标题：DeepSeek们越来越聪明，却也越来越不听话了 正文： 今年，DeepSeek R1火了之后，几乎形成共识：AI推理能力越强，执行任务时就越聪明。从2022年Chain-of-Thought问世，到今天Gemini 2.5 Pro、DeepSeek-R1等模型的表现，我们相信让模型先思考...