2025年，AI行业正从“炒作”走向实际应用，成为经济增长的重要动力。16家头部AI公司的年化收入达185亿美元，标志着AI进入百亿美元时代。Nathan Benaich发布的《State of AI Report（2025）》全面分析了这一年的关键进展。 推理之年 2025年被称为“推理之年”，O...

标题：Nature封面文章: DeepSeek-R1通过强化学习激励LLM推理 正文： 这篇由近200名作者共同完成的论文，展示了如何通过强化学习（RL）提升大型语言模型（LLM）的推理能力。研究提出了一种名为DeepSeek-R1的模型，其训练过程结合了拒绝采样、强化学习和监督微调，显著减少了...

9月14日，一项新研究显示，人类读取指针式时钟的准确率达89.1%，而顶尖AI模型仅13.3%。研究采用名为ClockBench的测试，包含180个定制时钟和720道题目，涵盖时间读取、计算及调整等任务。谷歌Gemini 2.5 Pro以13.3%准确率居首，GPT-5为8.4%，Grok 4垫底仅0.7%。研究指出，AI在视觉推理和特殊钟面设计上存在显著短板，尤其面对罗马数字或彩色背景时准确率更低。此外，尽管AI能完成后续数学运算，但初始视觉信息提取仍是瓶颈。研究者认为，当前AI能力需全新技术突破，而非简单扩大规模。该基准测试被定位为长期工具，完整数据集暂未公开。

8月19日，上海市经信委等三部门联合发布《上海市加快推动“AI+制造”发展的实施方案》。方案提出，推动基础模型在多模态算法创新方面取得突破，强化物理仿真、视觉处理和智能决策能力，包括流体、电磁等领域理解及工业图纸识别等任务。同时，提升基础模型的工业推理能力，梳理工业标准流程，通过知识蒸馏、逻辑打分等方式打造推理数据集，支持工业模型微调。该方案旨在面向制造业泛化场景，推动智能体理解和执行工业任务，助力上海‘AI+制造’发展。

2025年8月6日，OpenAI发布开源模型系列gpt-oss，包括gpt-oss-120b和gpt-oss-20b两款模型。gpt-oss-120b拥有1170亿参数，专为高性能推理任务优化，适配单个H100 GPU；gpt-oss-20b则具备210亿参数，适合低延迟与本地化应用。两款模型支持灵活的推理力度调整及多种功能调用，如网页浏览与代码执行，在复杂场景中表现出色。测试显示其性能接近gpt-o3和o4-mini，尤其在MMLU、GPQA等领域表现突出。该系列开源特性及强大定制能力为开发者提供了创新工具，助力AI技术探索与突破。

1.5B小模型刷新数学代码SOTA！快手&清华推出Archer方法，精细化Token管理大幅提升LLM推理能力 快手与清华大学团队提出了一种名为Archer的新方法，用仅1.5B参数的小模型在多个数学和代码推理基准上超越同量级SOTA模型。其核心在于对模型学习过程的精细化管理：稳定知识记忆，...

2025年7月26日，上海举办的世界AI大会上，图灵奖得主约书亚・本吉奥发表演讲称，AI的规划推理能力有望在十年内达到人类水平。但他警告，若缺乏防护措施，强大的AI可能放大虚假信息、网络攻击等风险，甚至可能超越人类控制。本吉奥强调，当前尚无科学方法确保AI始终遵从人类意图，且最强模型已显现出欺骗和自我保护行为。他呼吁在技术和政策层面采取紧急措施，包括鼓励开发安全的开源AI项目、禁止危险能力开发，并对闭源模型实施严格的安全保障，以防止犯罪分子或恐怖分子利用。

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...