深有同感的文章： 作者说 Qwen 3.8 27B 模型非常强，但是默认 reasoning effort 是 xhigh。 画一个鹈鹕骑自行车的 SVG用 xhigh：跑了 21 分钟，花了一大堆reasoning tokens，最终输出质量很高，但完全过度。 连画一个圆都会被它搞成带动画/渐变/同心圆的复杂 SVG。 GPT-5.6 Sol 也是这样的 xhigh /ultra 会严重的 over-engineer，会非常追求边界情况的边界情况，糊出屎山中的屎山，容易陷入长时间的 review/fix 循环，把 token 额度烧得很快。 我现在做任何都不会开它的 xhigh，用过一次要哭了，啥情况需要这个档位？要多复杂的大任务和多步规划才需要这个档？fail fast 是 AI 写代码我看来最重要的特性，xhigh完全是反 fail fast。

中国工程院院士、清华高性能计算所长郑纬民：做reasoning叫做延迟，reasoning越长，延迟越长，token不值钱；延迟越短越值钱。 这就是我反复跟你们讲的一个道理： AI时代的一大特点是，中科院和工程院院士大量暴露真实水平，人均大傻逼、不学无术的地痞流氓无赖，所有人加起来水平不如一个高中生。

我记得在deepseek绝大多数早期的年代，基本都在LLM API上搞得非常精简，基本都是一个chat版本，一个reasoning版本，一次迭代就直接在这两个endpoint上迭代，不告知版本号，无法手动选中各个模型版本。 我一直觉得这个行为非常酷，因为他们在最初的设计里，一定是想设计两三个endpoint，自己闷头升级， 用户无脑直接调用就完事儿了，不像其他家还要specify your model name/version. 这本身是个非常酷的事儿，考虑用户可以无脑绑死这一两个endpoint，不用考虑费用，不用考虑模型，不用考虑inference速度，deepseek帮你handle everything，给你一个最佳体验。 deepseek没想到，进入v4时代，有vision，有pro，有flash，有不同版本号，而且flash还能赶超pro性能，导致自家LLM API服务陷入混乱， 这时候他们直观想法依然是，把最好、最快、最先进的模型提供给用户，无论用户绑定的是pro还是flash，反正用户得到实惠就完事儿了， 但是用户肯定不敢这么用，因为用户自己本身也是developer，自己还要对自家的产品负责，对自己下游的用户知情权和自家infra稳定性负责。 结果就是，deepseek这波有点费力不太好。

读知乎回答有感，浅谈一下后训练 benchmark Any benchmark will be saturated，而随着工业界后训练的发展，reasoning / coding 的 benchmark 越来越泛化 / 众包化。其实 LLM eval 一直是个草台班子，每家都可以有自己的 setting，而任何 setting 只要不被强行统一就存在操作的空间，最早可以调 temperature / top_p / length，后来可以调 harness / setting。 AA 给出了一个相对“规范”的 setting，让大家都听它的而不是野蛮生长，但这并不 make sense。只要评测非中心化就一定存在 noise，任何结果都可以是 cherry pick 后的，而 AA 官方的 95% 置信度结果就成了 judge 模型能力的标杆。 代价是什么呢？模型如果没有很亮眼的 AA 分数，即使精心打磨体感 / working / CUA，无人在意，这本质也是模型要 sell 就要迎合表面主流的评测中心化组织。 至少我们可以从每家基模厂、每个新模型的发榜看出来大家并不会被 AA 所局限，而 OSWorld v2、ALE、TB4 / TB-Sci 等 frontier 众包 benchmark 已经告诉我们：最 frontier 的能力一定是最通用的能力，而 agent 已经站在了单 domain 能力的肩膀上。 现在的职业任务分为三类，已经被 AI 训练好的，无法被 AI 训练的，还在被 AI 训练的。所有能归纳在 Computer Use 的都是第三类，而模型如何解决第三类职业任务仍需要数年的进化。 这些众包 benchmark 越来越变成第三类任务的闭包，决定了未来数个月内基模团队的优化方向，而越是 frontier 的 benchmark 就越有 noise。如果 benchmark 团队不为自己的错题率负责，只会诞生越来越多的错题 benchmark：GPQA-Diamond，HLE，充斥大街的弱模型 judge。 为了消灭 LLM-judge 所引发的不确定性，众包 benchmark 一定会越来越商业化，而 evaluation 一定会在短暂的时间内迎来大洗盘。

用 OpenAI API 做 Agent，先检查两处，可能比继续调 Prompt 更有用。 下一轮带上 previous_response_id，别把每次 tool call 当成新对话。模型才能接着前面的 reasoning 继续。 长任务别直接删老消息。配 context_management 和 compact_threshold，或调用 responses.compact()。 压缩结果原样传回，不要自己改写。 OpenAI 只改这两处，GPT-5.6 Sol 的 ARC-AGI-3 分数就从 13.3% 涨到 38.3%，输出 token 降到约 1/6。 Agent 表现差，先查运行框架有没有让它失忆，再考虑换模型。原文：

Gemini macOS 客户端加入全局语音能力🫡 长按 Fn 键即可在任意应用中说话，Gemini 会自动删掉“嗯、啊”和口误 而且开启 Gemini reasoning 后，还可以读取当前屏幕上下文，根据语音要求改写、总结或处理正在使用的内容 看来Google 开始要抢 Wispr Flow、Superwhisper 的用户了

我来告诉你们，数学界接下来一个最大的问题。 我去年就说过，UC Berkeley数学系助理教授Tony Feng在Google Gemini做visiting professor的时候，拿到了当时最好模型Google Gemini的超长极长无敌长的reasoning版本。 这直接导致Tony Feng解决了7道Erdos问题，三道FirstProof问题，开创性地用半监督方式 ，以及无监督方式，指导AI Agent解决数学问题。 我去年就说过，下一步要解决的问题是，尝试把一个数学命题以lean4的形式拆分成多个lemma，多个lemma以DAG的数学结构组合成一个数学命题，每个数学证明可以拆分成几十个到几千个lemma DAG，每个lemma作为节点又可以让多个agent来证明，这样可以用成千上万个agent来碰撞证明每个lemma，尝试组合成一个完整数学证明的DAG。 所有人都忽视了一个最重要的问题，就是一个LLM的reasoning是不可能无限长的，哪怕是Claude和GPT模型，reasoning是有限的，这是LLM结构和目前inference infra决定的。 但是数学家们早就给出了解决方案：在3000多年前，古希腊的数学家们就知道，完备的数学体系需要写书、写笔记、收学生，以学术社区和讨论组的形式，一条条验证，把自己思考的过程记录下来，给同行完成peer review，这样把自己在数学的工作一条条记录、验证、审议、写书、组织起来，一起构建完整的数学大厦。 过去10年来，人类一直在mathlib中实现这一个愿景，全世界所有数学家都在用lean4构建数学大厦，但是还远远不够。 你党哥提出lemma DAG概念后，能大概预测到一个方向，这个方向就是，驱动AI Agent用lean4把所有它能构建数学体系的领域： 1. 用lean4审核目前人类已有的、能用lean4实现和验证的数学论文，全部用lean4实现并验证一遍； 2. 用lean4尝试构建新的问题，实现一个AI native版本的mathlib证明大全——mathlib2——比现有人类数学家构建的mathlib要大一两个数量级； 3. 当人类尝试定义新的问题的时候，先从mathlib和mathlib2中搜索已有近似证明，尝试拆分成DAG的lemma形式，用mathlib2更加快速便捷地实现部分证明； 4. 最后用大量、超大量的AI Agent尝试大量、巨大量、无限提出新的问题，并且并行in parallel用已有mathlib2去验证或者证伪这些新问题，最后由人类数学大师cherry pick出其中有价值的问题和完整证明方案出来。 回到开头，首尾呼应一下： 人类在单一LLM本体进行超长reasoning已经接近inference复杂度极限，这是人类任何人都无法改变的，OpenAI和Anthropic改变不了，玉皇大帝都改变不了， 能提到LLM超长reasoning的唯一办法，就是让LLM Agent不断总结、不断记录、不断验证出过去产出的结构化、逻辑化、有组织的知识库，作为long term memory，这些知识库就是一个LLM Agent过去的所有reasoning中的有效记忆，并且能用于今后未来的所有构建中。 这和朴素古典的memory机制完全不同，无论构建一套lean4还是构建matlab simulink的有效仿真验证后的设计，还是构建HDL各种硬件描述语言在仿真后验证的电路设计，都更有效、更精准、更专业、更小领域， 而且最重要的是，构建这些结构化的专业学术知识库，恰恰是AI Agent加上一个本地仿真、编译、运行环境的最擅长的事情。 说人话说就是，脑子到极限的前提下，好脑子不如烂笔头。

整理了一下Anthropic @AnthropicAI 发的关于Fable 5的提示指南： 1.别让它"展示思考过程" 以前大家爱让模型把推理写出来，觉得能看到过程更靠谱。Fable 5 不吃这套。你要求它回显内部推理，直接触发 reasoning_extraction 拦截——要么拒答，要么给你降级到 Opus 4.8。 想看过程？读 thinking blocks，或者用 send-to-user 工具拿阶段性输出。别让它把脑子里的东西倒进正文。 2.必须画线，不然它会自己加戏 这模型太积极了。你不拦着，它会自己加功能、重构代码、为你根本没提的需求搞一堆抽象。 提示词里直接写死：不加功能、不重构、不搞没人要的设计。任务清楚就动手，别讨论。如果你只是在想方案还没决定，明确告诉它"只评估，别动手"。 3.长任务必须让它对账 跑长任务时，让它汇报进度之前先核对工具返回的结果。测试挂了就说挂了，没跑就说没跑，跳过的步骤摊开讲。别让它编一个"一切正常"糊弄你。 4.给它建个外部记忆 确认过的做法、长期规则、踩过的坑，写成 Markdown 文件，下次任务直接喂进去。比靠上下文窗口可靠太多，token 消耗也低。 5. 子 Agent 拉满 Fable 5 维持并行子 Agent 的能力比前代强不少。独立子任务丢给子 Agent，主线程继续推。长生命周期的子 Agent 还能保上下文，省得重复喂信息。

美国禁止了 Claude Fable 5，但是我们发布了 GLM 5.2。 最近GLM 5.2 在 @bridgebench 的 BS 榜单上以 100.0 分排名第一，在 Reasoning 榜单上以 42.8 分排名第一，击败了 Fable 5。 成本仅为其十分之一，速度达到 300 tokens/s。国产GLM大模型快速摆脱国外代差。