随着 OpenAI o1 和 DeepSeek R1 的爆火，大语言模型（LLM）的推理能力增强和测试时扩展（TTS）受到广泛关注。然而，在复杂推理问题中，如何精准评估模型每一步回答的质量，仍然是一个亟待解决的难题。传统的过程奖励模型（PRM）虽能验证推理步骤，但受限于标量评分机制，难以捕捉深层逻辑错误，且其判别式建模方式限制了测试时的拓展能力。
仅用4090就能实现大规模城市场景重建！
最近，像 OpenAI o1/o3、DeepSeek-R1 这样的大型推理模型（Large Reasoning Models，LRMs）通过加长「思考链」（Chain-of-Thought，CoT）在推理任务上表现惊艳。
近来风头正盛的GPT-4.5，不仅在日常问答中展现出惊人的上下文连贯性，在设计、咨询等需要高度创造力的任务中也大放异彩。
低秩适配器（LoRA）能够在有监督微调中以约 5% 的可训练参数实现全参数微调 90% 性能。
据报道，微软已关闭了位于上海张江高科技园区的人工智能和物联网实验室，这标志着这家美国科技巨头进一步撤离中国市场。有媒体近日探访时发现，该实验室已无人使用，内部一片漆黑，logo 被拆除，办公设备也已清空。附近的工作人员表示，该实验室可能是在 1 月或 2 月关闭的。
评估多模态AI模型的那些复杂测试，可能有一半都是“重复劳动”！
最新研究显示，以超强推理爆红的DeepSeek-R1模型竟藏隐形危险——
在实际应用过程中，闭源模型（GPT-4o）等在回复的全面性、完备性、美观性等方面展示出了不俗的表现。
回顾 AGI 的爆发，从最初的 pre-training (model/data) scaling，到 post-training (SFT/RLHF) scaling，再到 reasoning (RL) scaling，找到正确的 scaling 维度始终是问题的本质。
