模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。
Mistral 发布 Apache-2.0 开源的 Leanstral 1.5，总参数 119B、激活 6B，专注 Lean 4 形式化证明。模型饱和 miniF2F（验证与测试集均 100%），在 PutnamBench 解出 587/672 题，FATE-H 87%、FATE-X 34% 达到 SOTA，单题成本约 $4。
推荐理由：官方给出完整基准数据和训练细节，还展示了在 57 个真实仓库中发现 5 个未知 bug 的案例，可了解形式化验证的实际落地。
Dwarkesh Patel 撰文认为，实验室押注的 RLVR 训练未必能泛化到无法在数据中心内复现的现实领域，因为训练样本效率低且缺少可重放模拟器。
推荐理由：作者论证 RLVR 难以泛化到不可复现的现实领域，并梳理 OPSD 与模拟训练等让模型在工作中持续学习的可能路径。
Anthropic 发布 Claude Fable 5（claude-fable-5）面向所有客户，Claude Mythos 5 面向 Project Glasswing 参与者。
推荐理由：官方发布说明完整列出两个新模型的能力参数、tokenizer 变化、API 行为改动和迁移注意事项，对计划接入或迁移的开发者有直接参考价值。
Microsoft MAI 在 Build 2026 主题演讲中发布七款新模型，覆盖图像、语音、转录、推理和编码。
推荐理由：作者以当事方身份逐一公布七个新模型的定位、基准数字和开放渠道，读者可以对照竞品评估各自适用场景。
Microsoft AI 发布七款新 MAI 模型，将上线 Foundry、OpenRouter、Fireworks 和 Baseten，并首次允许开发者自行微调模型权重。
推荐理由：官方完整说明了模型开放方式、Frontier Tuning 效率数据和医疗合作安排，读者可以据此评估其模型路线与可调性。
Anthropic 发布 Claude Opus 4.8，为其最强模型，在 Claude API、Amazon Bedrock、Google Cloud 和 Microsoft Foundry 上默认支持 1M token 上下文窗口，最大输出 128k token。
推荐理由：原文完整列出 1M 上下文、采样参数限制和各端可用性等迁移要点，接入方可以直接对照判断升级路径。
Mistral 发布 Mistral Medium 3.5，一个 128B 稠密开源权重模型（modified MIT 许可），256k 上下文窗口，SWE-Bench Verified 得分 77.6%，τ³-Telecom 得分 91.4，自托管最少只需四块 GPU，API 定价每百万输入 token $1.5、输出 token $7.5。
推荐理由：官方同步发布模型与云端异步智能体，给出基准分数、定价和开源权重，可对照评估其编码与长程任务能力。
SGLang 与 Miles 团队宣布在发布当天为 DeepSeek-V4 (1.6T Pro, 284B Flash) 提供推理与 RL 训练的开源支持，针对其混合稀疏注意力、mHC 和 FP4 专家权重架构做了专项适配。
推荐理由：原文给出 ShadowRadix、HiSparse 等具体优化机制和基准数字，读者可以了解混合稀疏注意力架构对推理与 RL 训练系统的实际工程要求。
Anthropic 发布 Claude Opus 4.7，定位复杂推理与智能体编码，定价维持 $5/$25 per MTok，与 Opus 4.6 相比存在 API 破坏性变更并需参考迁移指南。
推荐理由：原文列出定价、API 破坏性变更、task budgets 与高分辨率图像等具体变化，升级前可据此排查迁移成本。
Mistral 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态与 Devstral 的智能体编码能力统一到单一开源模型，采用 Apache 2.0 许可证。
推荐理由：官方公布了架构参数、reasoning_effort 用法和与 GPT-OSS 120B 的效率对比，可据此评估其开源部署价值。
SGLang 宣布 Day 0 支持 NVIDIA Nemotron 3 Super。该模型为 120B 参数混合 MoE，每次前向仅激活 12B 参数，采用混合 Transformer-Mamba 架构，支持 1M token 上下文、多 token 预测和思考预算，相比上一代 Nemotron Super 1.5 吞吐提升至 5 倍。
推荐理由：原文给出模型架构、吞吐与准确率对比和 SGLang 部署命令，读者可以据此评估在多智能体工作流中的实际可用性。
LMSYS 推出源自 SGLang 的轻量级推理框架 Mini-SGLang，代码仅 5k 行 Python，保留 Radix Attention、Chunked Prefill、Overlap Scheduling、Tensor Parallelism 等核心优化，并提供 OpenAI 兼容 API 和开箱即用的 Llama-3、Qwen-3 支持。
推荐理由：官方介绍这款仅 5k 行代码的推理引擎保留了哪些关键优化，以及如何用它学习和做研究原型。
Mistral 发布新一代模型系列 Mistral 3，包括 14B/8B/3B 的 Ministral 3 小模型和 sparse MoE 架构的 Mistral Large 3（41B 激活、675B 总参数），全部以 Apache 2.0 许可开源，提供 base、instruct 和 reasoning 变体。
推荐理由：官方公布完整模型规格、开源许可和部署路径，读者可据此评估在自建或端侧场景的可用性。
DeepSeek 非正式部署 DeepSeek-V3.2-Speciale API 服务，用户通过 base_url="https://api.deepseek.com/v3.2_speciale_expires_on_20251215" 访问。价格不变，仅支持思考模式下的对话功能，不支持工具调用，最大输出长度默认 128K，支持至北京时间 2025-12-15 23:59。
推荐理由：原文给出了非正式部署的访问方式和明确截止时间，用户可以据此判断是否短期试用这个思考模式模型。
deepseek-chat 和 deepseek-reasoner 均已升级为 DeepSeek-V3.2-Exp。deepseek-chat 对应该模型非思考模式，deepseek-reasoner 对应思考模式，详细更新内容需参阅官方文档。
推荐理由：官方说明两个 API 端点均已切换至新实验版模型，读后可据此确认调用行为是否受影响。
DeepSeek 宣布 deepseek-chat 和 deepseek-reasoner 均升级为 DeepSeek-V3.1，分别对应其非思考模式与思考模式。
推荐理由：官方说明了两个 API 端点对应的模式切换，并给出 SWE-bench 等三项基准分数，读者可据此评估升级影响。
Microsoft AI 发布 MAI-DxO 诊断编排器与 SD Bench 基准，将 304 个 NEJM 病例转化为逐步诊断挑战，MAI-DxO 正确诊断最高达 85%，是同一组有经验医生的四倍以上，且以更低检查成本得出正确诊断。
推荐理由：原文同时给出诊断准确率、成本对比和研究局限，并说明 SD Bench 尚未公开，读者可据此理解结果边界。
Mistral AI 发布首个推理模型 Magistral，含 24B 参数开源版 Magistral Small（Apache 2.0）和企业版 Magistral Medium。
推荐理由：官方给出两个版本的基准分数、开源许可和语言能力细节，读者可据此评估它在推理模型中的定位。
DeepSeek 官方宣布 deepseek-reasoner 模型升级为 DeepSeek-R1-0528，推理能力增强，AIME 2025 Pass@1 从 70.0 升至 87.5，GPQA 从 71.5 升至 81.0，Aider 从 57.0 升至 71.6。
推荐理由：官方更新日志列出各基准的具体分数变化，读者可以直接对比新旧 R1 在推理和幻觉上的差异。
DeepSeek 官方宣布 deepseek-chat 模型升级为 DeepSeek-V3-0324。基准测试提升明显，MMLU-Pro 75.9 → 81.2，GPQA 59.1 → 68.4，AIME 39.6 → 59.4，LiveCodeBench 39.2 → 49.2。
推荐理由：原文给出各基准测试的具体提升数字和功能变化，读者可据此评估升级对现有应用的影响。