Core Insights - MiniMax has officially open-sourced its latest large language model, MiniMax-M1, marking a significant development in the AI landscape [2][4] - MiniMax-M1 is recognized as the world's first open-weight large-scale hybrid attention inference model, showcasing substantial breakthroughs in performance and inference efficiency [4][6] Model Specifications - MiniMax-M1 features a parameter scale of 456 billion, with each token activating approximately 45.9 billion parameters, and supports a maximum context length of 1 million tokens, which is 8 times longer than that of DeepSeek R1 [7][12] - The model's computational load (FLOPs) for generating 100,000 tokens is only 25% of that required by DeepSeek R1, indicating a significant advantage in long text processing tasks [7][12] Training and Efficiency - The training of MiniMax-M1 utilized a large-scale reinforcement learning (RL) strategy, optimizing performance across various tasks, including mathematical reasoning and software engineering [9][11] - The complete RL training of MiniMax-M1 was accomplished in three weeks using 512 H800 GPUs, with a cost of approximately $534,700, demonstrating high efficiency and cost-effectiveness [11] Performance Comparison - MiniMax-M1 is available in two versions, with maximum generation lengths of 40K and 80K tokens, and has shown superior performance in complex software engineering, tool usage, and long-context tasks compared to leading open-weight models like DeepSeek-R1 and Qwen3-235B [12][19] - In benchmark tests, MiniMax-M1 outperformed other models in various categories, including long-context understanding and tool usage, establishing itself as a strong contender in the AI model landscape [19]

为了打破这一局面，美国国防高级研究计划局今年4月启动了"指数性数学"计划，旨在开发一种能 极大提升数学研究效率的人工智能（AI）"合著者"系统。 几十年来，数学家借助计算机进行辅助计算或验证命题，如今的AI或许能更上层楼，挑战那些人 类长年未解的难题。不过，从能解高中题的AI，到能协助攻克前沿数学难关的AI，中间仍隔着一道鸿 沟。 解决重大难题仍力不从心 大型语言模型（LLM）并不擅长数学。它们常常出现"幻觉"，甚至可能被误导相信2+2=5。但新一 代大型推理模型，如OpenAI的o3、Anthropic的Claude 4 Thinking等，展现出的进步令数学家眼前一亮。 今年，这些模型在美国数学邀请赛中的表现接近优秀高中生水平。不同于过去"一锤定音"式的输 出，这些模型开始尝试模拟数学家逐步推理的思考过程。 同时，一些将LLM与某种事实核查系统相结合的新型混合模型也取得了突破。例如，谷歌"深度思 维"的AlphaProof系统将语言模型与棋类AI——AlphaZero结合，成为首个取得与国际数学奥林匹克竞赛 银牌得主成绩相当的系统。今年5月，谷歌的AlphaEvolve模型更进一步，在多个长期未解的数学与 ...

机器之心报道 编辑：杜伟 在开源模型领域，DeepSeek 又带来了惊喜。 上个月 28 号，DeepSeek 来了波小更新，其 R1 推理模型升级到了最新版本（0528），并公开了模型及权重。 这一次，R1-0528 进一步改进了基准测试性能，提升了前端功能，减少了幻觉，支持 JSON 输出和函数调用。 今天，业界知名、但近期也陷入争议（曾被指出对 OpenAI、谷歌及 Meta 的大模型存在偏袒）的大模型公共基准测试平台 LMArena 公布了最新的性能排行榜，其 中 DeepSeek-R1（0528）的成绩尤为引人瞩目 。 | | Rank (UB) ↑ Model ↑↓ | | Score 11 | | 95% Cl (±) 1↓ Votes 1J | لا Organization 1 | License 1لا | | --- | --- | --- | --- | --- | --- | --- | --- | | | 1 | G gemini-2.5-pro-preview-06-05 | 1468 | +8/-6 | 8,454 | Google | Proprietary | | | 2 ...

MINT-CoT团队 投稿 量子位 | 公众号 QbitAI 思维链（Chain of Thought, CoT）推理方法已被证明能够显著提升大语言模型（LLMs）在复杂任务中的表现。而在多模态大语言模型 （MLLMs）中，CoT 同样展现出了巨大潜力。 3. 过度依赖外部功能 像 MVoT 或 Visual SKETCHPAD 等方法，需要借助外部工具或能力来生成或修改图像，训练和推理过程成本高、不通用。 然而，当视觉信息与数学推理结合时，传统的 CoT 方法就显得力不从心了——视觉输入中的数学细节往往被忽略，导致推理结果不准确。 最近，香港中文大学 MMLab 团队正式发布了全新的视觉推理方案——MINT-CoT，专为解决"多模态数学推理"中的难题而设计。 为什么数学视觉推理这么难？ 尽管已有一些研究尝试把视觉信息引入 CoT 推理，例如 Visual-CoT、Visual SKETCHPAD、VPT、ICoT 等方法，但在数学场景下依然存 在 三大瓶颈： 1. 粗粒度图像区域选择 大部分方法依赖边界框（Bounding Box）来截取图像区域。但数学图像里的元素（比如坐标轴、几何图形、标注文字等）高度关 ...

本文共同一作是张翔和曹峻泰。张翔是英属哥伦比亚大学研究生，主要研究兴趣集中在大模型推理和 AI for Science；曹峻泰是英属哥伦比亚大学研究生， 主要研究兴趣集中在大模型推理和可解释性研究；本文通讯作者是来自纽约大学石溪分校的助理教授尤晨羽，以及来自 Meta Gen AI 的研究员丁渡鉴。 近年来，大型语言模型（LLM）在自然语言处理领域取得了革命性进展。然而，其底层的 Transformer 架构在处理复杂推理任务时仍有不足。尽管「思维 链」（CoT）提示技术提供了一条实用路径，但多数方法依赖通用指令，导致提示工程高度依赖反复试验，缺乏理论指导。 图 1 ：Prompt 模板深刻影响着答案空间的配置和导航方式。左侧展示了不同的 Prompt（如 Auto-Prompt、RL-Prompt）如何在「Prompt 空间」中进行搜索，而右侧则展示了在特定 Prompt 指导下，如何在「答案空间」中进行搜索以得到解决方案（如 Tree-of-Thought、Graph-of-Thought）。 来自英属哥伦比亚大学、纽约大学石溪分校和浙江大学的研究团队深入剖析了 Prompt 如何在 LLM 的 CoT ...

Core Insights - The article discusses innovative strategies to better understand and control the reasoning processes of large language models (LLMs) through mechanical analysis and behavioral assessment [1][9]. Group 1: Mechanical Analysis and Attribution - Researchers are breaking down the internal computations of models, attributing specific decisions to particular components such as circuits, neurons, and attention heads [1]. - A promising idea is to combine circuit-level interpretability with chain-of-thought (CoT) verification, using causal tracing methods to check if specific parts of the model are activated during reasoning steps [2]. Group 2: Behavioral Assessment and Constraints - There is a growing interest in developing better fidelity metrics for reasoning, focusing on whether the model's reasoning steps are genuinely contributing to the final answer [3]. - The concept of using auxiliary models for automated CoT evaluation is gaining traction, where a verification model assesses if the answer follows logically from the reasoning provided [4]. Group 3: AI-Assisted Interpretability - Researchers are exploring the use of smaller models as probes to help explain the activations of larger models, potentially leading to a better understanding of complex circuits [5]. - Cross-architecture interpretability is being discussed, aiming to identify similar reasoning circuits in visual and multimodal models [6]. Group 4: Interventions and Model Editing - A promising methodology involves circuit-based interventions, where researchers can modify or disable certain attention heads to observe changes in model behavior [7]. - Future evaluations may include fidelity metrics as standard benchmarks, assessing how well models adhere to known necessary facts during reasoning [7]. Group 5: Architectural Innovations - Researchers are considering architectural changes to enhance interpretability, such as building models with inherently decoupled representations [8]. - There is a shift towards evaluating models in adversarial contexts to better understand their reasoning processes and identify weaknesses [8]. Group 6: Collaborative Efforts and Future Directions - The article highlights significant advancements in interpretability research over the past few years, with collaborations forming across organizations to tackle these challenges [10]. - The goal is to ensure that as more powerful AI systems emerge, there is a clearer understanding of their operational mechanisms [10].

新华社长沙6月15日电 特稿｜中国科技为非洲国家发展注入新动能 新华社记者梁子齐 周昊瑾 张玉洁 第四届中国—非洲经贸博览会12日至15日在中国湖南长沙举办。走进会展中心，记者看到，中国参展企 业的讲解员正在为前来观展的非洲客户介绍多年生稻技术，非洲客户频频点头并不时记下要点。 当前，中国科技持续赋能非洲产业升级，在生物科技、数字通信、人工智能等领域取得进展，为改善当 地人民生活并促进非洲国家现代化发展注入新动能。 共享种子芯片的"生命密码" 农网，即偏远农村网络覆盖。2024年底，马达加斯加梅纳贝农网EPC项目正式进入实施阶段。该项目负 责人高博表示，项目建成后，将帮助偏远乡村实现电话通信、网络社交，并带动移动支付、线上交易等 经济活动，进而带动偏远农村的社会进步和经济发展。项目首期将建设73个农网站点，预计网络覆盖 2340平方公里，惠及16.5万农村人口。 谈及未来的落地项目，坦桑尼亚农网项目负责人游晨奕告诉记者，坦桑尼亚偏远地区通信覆盖项目今年 刚开工。在保证网络通畅、建设运维简单的前提下，结合当地充足的光照时长，该项目将以太阳能作为 能源输入，推动降低设备能耗和运营成本。 破除沟通壁垒的"数字桥梁" ...

金融工程 证券研究报告 |深度研究报告 2025/06/13 AI投研应用系列之二： 从大模型到智能体，扣子Coze在金融投研中的应用 马自妍 S1190519070001 证券分析师： 分析师登记编号： 刘晓锋 S1190522090001 证券分析师： 分析师登记编号： P2 目录 请务必阅读正文之后的免责条款部分 守正 出奇 宁静 致远 1. AI Agent赋能投研应用 2. Coze核心功能解析 3. Coze投研应用实践 4. Coze投研应用相关插件 5. Coze在投研领域的应用前景展望 1、AI Agent赋能投研应用 1.1 AI Agent助力智能投研落地 2025年大语言模型（LLM）在技术层面迎来爆发式发展，但在实际应用落地中仍面临一定的局限：复 杂任务拆解能力不足、多工具协同效率低、专业场景适配成本高等问题，制约了其从技术能力向生产 力的转化。 AI Agent通过整合LLM的核心认知能力与外部工具、自动化工作流及领域知识库，助力大模型在智能 投研场景应用中高效落地。 字节跳动于2024年2月推出Coze扣子平台，2025年4月发布"扣子空间"协同办公系统，并于2025年5 月全面 ...

欢迎大家 点击【预约】 按钮 预约 我 下一场直播 本文重点 观点来自： 6 月 9 日本周一直播 谷歌未来的目标是实现通用人工智能（AGI），即让机器具备与人脑同等的通用智能能力。DeepMind 团队对AGI有清晰定义，认为通用智能即机器能像人脑一样处理各种任务。尽管现阶段AI在某些简单任 务仍有不足，但正在不断弥补"认知漏洞"，逐步向真正的通用智能靠近。 【 强 烈建议直接看】 本段视频精华，逻辑更完整 谷歌与特斯拉被认为是最接近实现"世界模型"的两家公司，谷歌依托YouTube海量视频数据，特斯拉则 依靠车辆摄像头采集的现实世界数据。这些多维度的现实数据对训练通用智能极为关键，远超单一文本 数据的深度。 文字版速览 总的来说，谷歌的AI技术不仅扎实，更具备创新和超越的潜力。未来几年，谷歌AI有望在智能发现、 模型完善以及通用智能方向实现突破，继续保持其在AI领域的领先地位。作为关注AI发展的朋友，我 认为谷歌值得持续跟踪和关注。 谷歌作为AI领域的重要玩家，其发展历程和技术积累值得深入分析。谷歌母公司Alphabet的架构设计十 分巧妙，它将多个创新子公司独立运营，如Google、DeepMind、I ...

来源丨 腾讯科技（ID：qqtech） 被誉为"AI教父"的杰弗里·辛顿 于 近日接受了调查记者盖昂·埃斯皮纳的远程专访。 他称，AI正在以前所未有的速度演化： 变得更聪明、更少犯错，甚至具备了情感和意识。 他警告， AI不仅可能具备喜怒哀乐等情绪，还已经学会了欺骗。 辛顿大胆预测， AI完全失控的概率在10%到 20%之间，人类未来可能被AI所掌控。 辛顿因在机器学习和神经网络领域的开创性贡献，于2024年荣获诺贝尔物理学奖。他曾在谷歌担任 AI研究负责人长达十年 ，并 于2023年选择离开 。这样，他可以 更坦率地表达对AI潜在风险的深切 担忧。 过去那些只存在于反乌托邦科幻小说中的问题—— "AI会取代人类吗？"、"它会觉醒吗？"、"会反抗 人类吗？" ——如今正逐渐成为现实世界的核心议题，全球社会正在被迫直面这些重大挑战。 问： 当你说"AI更擅长推理"时，具体指的是什么？ 辛顿： 过去，只要问题稍微复杂一点，AI就容易出错。但现在，AI在推理上的表现已经接近人类。虽 然人类和AI都会犯错，但AI犯错的概率正在迅速下降。 辛顿的言论再次发出警示： AI不仅仅是技术革命，更是深刻的伦理与社会变革。 未来 ...