2025-07-26 科研追新
当日精选（由提交工具自动创建）。
GLM-4.5 逻辑能力评测：推理模式显著降低幻觉与计算误差
GLM-4.5 基础模式存在明显的幻觉、计算误差和暴力穷举倾向，而推理模式在准确性与稳定性方面有显著改善。
GLM-4.5 基础模式会对输入和自身输出产生幻觉，包括引用不可访问的图片、用占位符代替统计结果，以及遗漏报告核心观点等。其数学计算容易在过程中累积小错误，导致最终答案看似合理但实际不正确；相比之下，推理模式在函数求交和年报数据汇总等任务中准确率明显更高。面对数独、解密和数字规律等复杂问题，基础模式约有半数概率采用暴力穷举，少数输出还可能陷入死循环。新版发生死循环的比例已降至 2% 以下，但推理模式在个别高难度任务中仍会出现穷举行为。
用途与启示
- 评估 GLM-4.5 时应区分基础模式与推理模式，避免以单一运行结果概括整体能力。
- 对数学计算、报告提炼等高可靠性任务，优先启用推理模式并增加结果校验。
- 可将无效引用、占位符、暴力穷举和死循环纳入模型幻觉与稳定性评测指标。
- 训练数据清洗和复杂任务的搜索策略约束，可能是后续优化重点。
📝 原始笔记（逐字保留）
1. 逻辑能力
1. 幻觉过重：基础模式的幻觉是全方面的，不但对prompt输入本身存在幻觉，其输出有时也存在“梦游”现象，输出一些自己也不知道是什么的内容。比如在输出中试图引用一张图片来解释原理，但图片Url无法访问。大概是训练材料混入的脏数据。#42报告提炼问题，基础模式放弃了计算统计数据，使用占位符，对报告中核心观点的摘要也提炼不完整。在仅有的1pass中虽然计算了统计值，但计算错误。不过好在推理模式中，幻觉控制要好的多，没有出现类似问题。相关问题表现达到推理模型平均水准。
2. 计算误差：受幻觉影响，基础模式数学计算误差显著偏高，以#38函数求交尤为典型，在kimi-k2的误差中，往往是小数点第3位之后的精度问题，按四舍五入算大体是对的。而GLM-4.5的误差体现在计算过程中小错误不断积累，最终答案只是看起来像，实际完全不对。同样由于推理模式对幻觉的抑制有效，同样题目在推理模式下准确率极高，#38题稳定满分，#42年报报告提炼问题中数据汇总部分也基本没有问题，偶有误差。
3. 暴力倾向：对于复杂问题，基础模式2个版本有半数几率使用暴力穷举，在中等难度的#36六阶数独问题如此，在难题#23解密，#24数字规律等问题同样如此。在没有使用穷举的轮次中，二者均能正常响应，输出虽然不满分，但在同梯队中表现尚可的答案。值得一提的是，GLM前一个版本air-0414和Z1也因为过多使用暴力穷举，导致模型输出极易陷入死循环而耗尽Token，新版则只在少数（低于2%）输出死循环，大部分穷举Badcase是真的在穷举。**推理模式**下也存在同样问题，但概率较小，仅在个别高难度问题如#43目标数，#44工具组合，中有体现。
## 2025-7-26
中国移动发布九天基础大模型3.0，性能提升35%
中国移动焕新发布九天基础大模型3.0，通过端到端技术升级实现性能提升，并进一步增强生成内容的可控性。
2025年7月26日，在世界人工智能大会期间，中国移动发布九天基础大模型3.0。新版本聚焦端到端技术升级，整体性能据称提升35%。模型同时增强了生成可控性，并支持更便捷的图像编辑能力。九天3.0延续“高安全、高可控、全国产、全行业”的定位。
用途与启示
- 为运营商及行业客户提供自主可控的基础模型能力
- 强化可控内容生成与图像编辑等多模态应用
- 展示国产大模型在安全性、可控性和行业落地方面的升级方向
📝 原始笔记（逐字保留）
2. [九天大模型大变身：性能狂飙35%！还能一键P大象](https://mp.weixin.qq.com/s/3VkR9VBaSs6eMZEaWqfdYg)
1. 7月26日，在2025世界人工智能大会期间，中国移动焕新发布「九天」基础大模型3.0。本次发布的「九天」基础大模型3.0，重点聚焦模型的端到端技术升级以及生成可控性能力的增强，进一步强化九天大模型「高安全、高可控、全国产、全行业」的独特优势。
## 历史