LEV模型:让AI自己判断该想多久,三条旧路为何走不通

资讯 腾讯网 作者:科技行者 全文 6445 字 · 约 17 分钟读完 分类决策模型产品更新

你有没有遇到过这种情况:问同事一个简单问题,比如"今天几号",他秒答;但你问他一个复杂决策,比如"这个方案该不该上线",他会愣一下,皱眉,想一会儿才回答。这种"该快就快、该慢就慢"的能力,人类几乎是本能。但对AI模型来说,这件事出奇地难。2026年之前,做选择题式判断的AI模型基本是这样的:不管问题多简单或多复杂...

所属频道 产品更新前沿研究

问同事"今天几号",他张口就答;换成"这个方案该不该上线",对方会顿一下、皱起眉头,想上几秒才开口。这种该快就快、该慢就慢的本事,人几乎不用学。

换成AI模型,事情就难得多。2026年之前,做选择题式判断的模型大多一个路子:问题简单也好、复杂也罢,都拿同一套计算量去跑——固定层数的网络走一遍,答案吐出来了事。简单题和难题,耗时一模一样。

这就像工厂流水线,来的是颗螺丝钉还是台发动机,都按同一道工序走完,不能多检查,也不能少检查。Lehigh大学等机构的研究者盯上了这个问题,还拿出了具体证据。

他们做了组对比实验:参数量小的Kev-0.8B模型对上参数量大四倍的Kev-4B模型,在同一批231道公开测试题上作答。大模型比小模型多答对28道题。

不过这些多出来的正确答案,全部集中在"中等难度"和"困难"题型上。简单题两个模型都能答对,压根用不着更大的模型。换句话说,那些额外的参数,在简单题上完全是在空转。

更有意思的是,小模型自己其实清楚哪些题它没把握。研究者把它答案里"信心最不足"的一半题目转给大模型处理,准确率几乎追平大模型把全部题目都做一遍的水平。计算资源不是不够用,是花错了地方。

这就引出了论文的核心问题:能不能让一个模型自己判断,这道题该想多深,然后按需分配计算量?论文给出的答案,叫LEV。

为什么现有的"让AI多想想"的办法都行不通

在LEV出现之前,想让AI多花点力气思考,大概有三条路,但每条都有明显的代价。

第一条路是级联(cascade)。先用一个小模型回答问题,如果小模型不够自信,再把问题转给一个更大的模型重新处理一遍。

这个办法的问题在于,不自信的问题要被读两遍。相当于养了两个员工,简单任务让新人做,复杂任务转给老员工,但老员工接手时还得把前因后果重新听一遍,没法直接接着干。

按照研究者的实测数据,小模型Kev-0.8B自身就要79毫秒,大模型Kev-4B则要108毫秒。可一旦走级联路线、问题被转交出去,总耗时反倒超过了直接问大模型。原因在于,转交之后要完整走两遍读取流程,另外还得同时供着两个模型。

第二条路是生成式思考,也就是让模型像ChatGPT那样,先写一段推理文字,再给出答案。这条路确实管用,论文里对比了两个开源的决策服务djev和OpenJev,带推理文本能让困难题的准确率提升9到13个百分点。

代价却摆在那儿:推理每多写一句,时间就多耗一截,而且每道题都得掏这份钱,哪怕这题压根用不上推理。论文数据显示,加了推理的版本处理困难题的速度降到原来的三分之一到四分之一,这还是平均下来的结果,个别题目甚至吐出8192个词元,也没能给出有效答案。

打个比方,你开车去便利店买瓶水,导航偏要你先分析一遍全线路况,可这条路你天天走,闭着眼都摸得到。推理本事本身没毛病,毛病出在它被不分场合地套到了所有地方。

第三条路是把一个已经训练好的普通语言模型,硬生生改造成循环结构,也就是让同一组网络层反复跑几遍,指望它能自己多想想。循环(loop)结构不增加新的网络层,而是让同一组层参数重复运行多次,像反复咀嚼同一口饭,而不是吃下更多的饭。

研究者真的做了这个实验:他们在Kev-0.8B的骨干网络Qwen3.5-0.8B上,找了中间八层,加上可以调节的"闸门",让这几层可以循环跑两次,然后按Kev的标准流程训练。结果呢?循环结构训练完之后,闸门的数值几乎停留在接近零的位置,也就是说,模型压根没有学会使用这个循环,额外的计算通道形同虚设。

论文给出的解释挺直白:闸门起初是关着的,梯度信号弱得推不动它;可要是让它一开始就敞开,隐藏状态又会被带到后几层没见过的分布上去,准确率跟着往下掉。

这好比一栋房子已经盖好、装修也完了,硬生生再凿出一条新楼梯,住户发现它通向一间从没布过水电的房间,住了这么多年还是习惯绕道走,楼梯就这么闲着。

三条路都堵死了,还能怎么办?LEV团队换了个角度:不去在训练完成后补加循环,而是挑那些预训练阶段就自带循环结构的语言模型,比如Ouro和Nanbeige4.2。这类模型打出生起,循环就长在身上,不是后来装上去的部件。

LEV是怎么工作的

LEV的核心设计可以拆成三块:循环骨干网络、每一步都能读取的判别头,以及一个决定何时停止的小组件。

先看循环骨干。LEV挑中的Ouro和Nanbeige4.2,在预训练时,同一组解码器层会被一遍遍重复跑(Ouro是跑4次),每跑完一次就算一次语言建模损失。也就是说,模型从一出生就接受这样的训练:每一步都得单独交出"像样"的输出,不能只认最后一步。

听着简单,背后的道理却值得想一想。比方说,一个学生从小只被告诉"期末成绩才算数",那他平时的小测验多半敷衍过去,老师也没法靠小测验摸清他的真实进度。反过来,要是从一年级起每次测验老师都认真批改、给反馈,到了高年级,哪一次测验的结果都能比较靠谱地反映他当下的水平。LEV选的循环骨干网络,就是那个"从小每次测验都被认真对待"的学生;后装的循环结构,则像突然被要求交期中考卷、平时却从没认真做过的学生,平日里的输出根本信不得。

循环骨干搭好之后,LEV在上面接了一个共享的判别头(pointer head),专门负责读取选项、给出每个选项的概率。这个头每跑完一步循环就要被调用一次,各步骤用的是同一套参数;训练时则把所有步骤的损失取平均值。

好处很直接:每一步都单独训练过,所以服务阶段跑到第k步就能交出一个可用的答案,成本约为跑满全部步骤的k/R,R为总步数。也就是说,同一个模型checkpoint本身就带着在任意深度作答的能力,不必为不同“思考深度”各训一个模型。

真正决定要想多深的,是停止器(stopper)这个组件。

论文里这一环设计得最巧。按直觉,判断答案够不够自信,看模型给的概率高低就行,高就收手,不高就接着想——这是置信度阈值法,也是早期退出(early exit)领域的惯常套路。早期退出指的是:深层网络中某个中间层已经给出足够自信的答案,就提前停止计算,不再跑完剩余的层。

但论文做了一个关键诊断实验,把这个常规做法给推翻了。研究者发现浅层判别头(只跑了一两步循环的模型)有两个要命的问题。

其一,浅层输出在训练数据上显得很自信,换到新数据上就露馅。具体数字:LEV-2.6B在校准数据集上第一步答案有94.8%是对的,可换到全新来源的数据集Kev-Transfer上,同样自信程度的答案只有78.9%正确,差了16个百分点,属于典型的“过度自信”。

其二,置信度这个指标分辨对错还算能用(AUROC在0.67到0.83之间),但要它分辨“哪些错误靠多想几步能纠正”,基本等于瞎猜(AUROC只有0.46到0.61)。这就像一个刚接手新项目的实习生,自我感觉特别好,觉得自己什么都懂,真测下来却对“自己哪里不懂”毫无概念。指望他自己判断要不要再学一下,靠不住。

于是LEV换了个目标:不问“这个答案对不对”,改问“这个答案和模型想透彻之后给出的答案是否一致”。

做法是每个深度k各训一个小逻辑回归模型,输入为当前这一步与上一步答案的若干特征(最高概率、概率差距、信息熵等),输出一个预测值:这一步的答案是否已经和跑满全部步数后的答案一致。一致概率超过阈值,就在这一步停下。

这套设计最妙的地方是,训练停止器不需要人工标注的正确答案——它预测的是模型自己最终会给出的答案,不是标准答案。任何部署场景都能拿手头未标注的业务数据来调它,不用另外花钱请人打标签。阈值的选法也很朴素:论文取的是能让至少98%的提前停止答案与最终答案保持一致的最便宜的那个阈值。

打个比方,这像老员工带新人。老员工不去判断“新人这次做对了没有”,因为他也不知道标准答案;他判断的是“新人这次的方案,和他自己深入琢磨后大概率会给出的方案是不是差不多”。差不多就让新人拍板,省下时间;差得远就再多给点时间想。整套逻辑不依赖外部标准答案,只看自己平时的决策模式。

效果到底怎么样?

论文在三个循环骨干网络(LEV-1.4B、LEV-2.6B、LEV-3B)上做了系统测试,结果挺扎实。先看深度带来的提升:LEV-2.6B在JevBench基准上从只跑一步的63.2%一路升到跑满四步的76.2%,涨了13个百分点。

而且提升并不均匀——简单题几乎每个深度都能做对,涨的主要是中等难度和困难题。论文统计过,从深度一到深度四,标准难度题净增10道答对,困难题净增19道;变化大多来自“错误被纠正”,困难题里29道由错变对,只有10道由对变错。

按需深度的实际表现也值得看。停止器面对不同难度的JevBench题目自动分配了不同步数:简单题平均1.2步,标准难度题2.4步,困难题3.0步,而它完全没见过题目的难度标签。整体上,按需深度省下15%到24%的计算量,代价是不到1个百分点的准确率损失,和固定深度的组合方案相比要么持平要么略好。

更严格的验证来自锁定测试集——配方和停止器都定好之后才第一次读取的数据。结果显示,按需深度在这个从未看过的测试集上,准确率损失依然控制在1个百分点以内。

延迟数据同样直观。在50毫秒以下的区间,1.4B和3B规模的LEV比同等延迟的普通密集模型(没有循环结构的传统模型)和级联方案准确率高5.4到8.8个百分点。这个区间恰好是密集模型的软肋:参数量和延迟绑死,想在20到50毫秒之间找个大小合适的模型并不容易,而LEV靠一个checkpoint支持多档深度,正好补上这个空当。

论文还做了对照实验,看“循环结构是否真比单纯堆参数划算”。按浮点运算量折算,LEV和同等准确率的密集模型差不多甚至更费计算——每多跑一步循环,整个骨干都要重算一遍。所以LEV的优势不在省计算量,而在省部署时的延迟和显存占用,这是两件事。

哪些问题循环深度帮不上忙?

论文也老老实实指出了这套方法的局限。

在覆盖五个应用领域、十四个数据集的Kev-Breadth评测集上,语言理解类任务从深度一到深度四能涨19个百分点;可Humicroedit和cfcolor这两类"品味判断"任务——大致是判断幽默程度、颜色搭配这类主观性强的活儿——几乎没见涨。研究者猜测,多步循环多出来的计算,本质是在做"串行推理",适合那些得把多个事实串起来才能得结论的任务;品味类判断可能压根不需要这种串联。

更棘手的情况也有:论文发现12.6%的题目,模型在较浅的深度答对了,跑到最深那一步反而答错。也就是说,"越深越准"并非铁律,有些题存在"想得太多反而想歪了"的现象。目前的停止器目标是"预测和最深层答案是否一致",天然捕捉不到这种情况——它只能让答案趋同于最深层,没法超过最深层的判断水平。论文把这列为往后值得继续挖的方向:停止器若能不只追平最深层,而是真正认出哪个深度给出的答案才对,或许能比现在"深度越深越好"还强。

训练方式上也有讲究。论文拿LoRA微调和全参数微调做了对比,结果对两个Ouro系列骨干网络来说,全参数微调反而让最深层的准确率掉了1.3到1.9个百分点,还把按需深度相对固定深度组合的优势给抹平了。这结果有点反直觉——一般人会觉得"全参数训练肯定比只调一小部分参数效果好",这里恰恰相反。

LoRA全称Low-Rank Adaptation,是一种只训练一小部分新增参数、冻结原模型大部分参数的高效微调方法。打个比方,它是在原有结构上加一层薄薄的"调味层",而不是把整道菜重新炒一遍。

这个现象背后的直觉也许是:循环结构本身在预训练阶段就被精心调教过,每一步的输出分布都经过大量数据打磨。用一个小小的LoRA适配器去"轻触"这个结构,相当于在原有的精密钟表上加个小齿轮,不会破坏整体咬合;可要是直接动骨干网络的全部参数,哪怕学习率调得很低,也容易把那套精心训练的循环节奏搅乱。

写在后面

读完这篇论文,印象最深的其实不是LEV本身的准确率数字,而是那个关于"置信度阈值为什么失灵"的诊断实验。

我们通常默认一个前提:模型越自信,答案越可能对。这个直觉在很多场景下确实成立,但LEV的实验戳破了一个更细致的盲点——置信度能分辨对错,却分辨不了"这个错误是不是可以通过多想一步来纠正"。这其实是两件完全不同的事:前者问的是"你现在对不对",后者问的是"你再想想会不会更好"。很多依赖置信度做决策的系统,默认把这两件事混为一谈了。

生活里其实有个很像的情形:某人对自己的某个判断胸有成竹,可这份笃定,跟"要是再仔细琢磨琢磨,他会不会改主意"压根是两码事。有人越琢磨越笃定,有人越琢磨越没底,单凭眼下这份自信,压根猜不出下一步会往哪边走。LEV团队没打算押注这份自信,他们换了个更笨、但更好下手的信号:眼下这一步的答案,跟"仔细琢磨之后"的答案对不对得上。表面上只是换了个预测对象,里头的思路其实转了个弯——与其去猜那个主观的"对不对",不如去猜一个能客观验证的"变不变"。

另一个让我反复琢磨的细节,是那个"循环结构必须从预训练阶段就存在,后装没用"的发现。这个结论隐隐指向一个更大的问题:很多能力,补课是补不出来的,必须在系统成型的早期就嵌进去。这不只是技术上的巧合,可能是个更普遍的规律——不管是神经网络还是人类的学习轨迹,后期强行嫁接的能力,往往缺少早期浸润带来的那种"浑然一体"的协调性。

论文结尾还留着一道没合上的门:假如停止器不只是照搬最深那层的答案,而是真能学会判断"哪一层的答案才算对",那"越深越准"这条假设会不会被推翻,从而找到一个比现有最深层读出还准的停点?眼下这问题还没答案,不过它让人想追下去:模型究竟能不能真学会判断自己何时该收手,而不只是照抄自己多想一会儿之后会得到的那个结论。

Q&A

Q1:LEV是什么?

A:LEV是一种决策模型。它靠循环运行同一组网络层来实现"思考更深",不像传统AI模型那样生成大段文字推理,也不像普通决策模型那样对所有问题都用同样的计算量;一个模型checkpoint可以支持多档思考深度。

Q2:跟普通的级联方案(先用小模型再用大模型)比,LEV有什么优势?

A:级联方案得把不确定的问题重新交给另一个模型读一遍,耗时反而更长,还得同时维护两个模型。LEV的按需深度机制在50毫秒以下的延迟区间,比同等延迟的级联方案准确率高出7到8.8个百分点,而且只需一个模型。

Q3:LEV的停止器怎么判断该不该继续多想?

A:它不盯着模型答案有多大把握,看的是当前这一步的答案,跟模型"想得最深"时给出的那个答案会不会一致。这个判断目标用不着人工标注的正确答案,拿未标注的实际业务数据就能直接训练、直接调阈值。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
  2. AI做PPT、搭网页居然都免费?用完豆包工作我算了下账

    前两天刷到豆包工作和WorkBuddy公布的最新数据,小雷还真有点意外:原来AI办公这门生意,已经有了相当不错的成绩。其中豆包工作宣布,上线三个月,日活跃用户已经突破800万,企业客户年度经常性收入(ARR)突破20亿元。腾讯也在同期财报中披露,WorkBuddy每天的用户超过1000万,财报电话会上进一步透露,按最近

    来源 腾讯网
  3. 三星天气App新动向:One UI 9.5内测AI目的地提醒?

    IT之家 11 月 20 日消息,科技媒体 SamMobile 昨日(11 月 19 日)发布博文,报道称在 One UI 9.5 首个 Beta 测试版中,三星正在为天气(Weather)应用酝酿 AI 升级,在用户出发前提醒其查看目的地天气。IT之家援引博文介绍,系统识别到用户计划前往另一座城市后,天气应用会显示“

    来源 腾讯网
  4. 谷歌AI模式上线临时线程:搜索不留痕,服务器端仍存约两个月

    11月18日, 谷歌 宣布在全球桌面端及移动端浏览器的 搜索AI模式 中正式推出“临时线程”(Temporary Threads)功能,允许用户发起私密、非个性化的即时搜索,使其查询记录不留存于个人历史且不干扰后续算法推荐。 该功能借鉴了独立应用 Gemini 的临时聊天机制,用户无需修改账户隐私设

    来源 AI 开发者社区
  5. 知网AI检出率暴涨:同一论文数值反复,原创被误判谁买单

    一模一样的文稿,前后检测数值大变;纯人工撰写的论文,AI疑似率忽高忽低;姓名、基金信息、中药方剂文字都被算法标红……澎湃新闻“马上测”此前测试调查已发现,知网AIGC检测算法升级后结果反复、原创文本频遭误判,不少学生为此反复付费检测。当这套商业算法直接和投稿、升学、学术声誉绑定,身处其中的写作者,感受到了...

    来源 腾讯网
  6. 玻璃基板产业化起步:AI封装升级,设备采购先放量

    本文转载自微信公众号:中信建投证券研究文|许光坦 乔磊AI算力需求推动先进封装向多芯粒、多HBM与大尺寸演进,玻璃基板有望成为封装材料升级的重要方向,产业化初期重点把握设备先行机会。 随着单一封装集成的芯粒与HBM数量增加,封装面积、互连密度和供电需求同步提升,玻璃凭借较高刚性、良好平整度和尺寸稳定性,为大尺...

    来源 腾讯网
  7. Gemini登陆Mac桌面:AI代理可代操作电脑,隐私风险几何?

    谷歌为Gemini推出面向Mac的重磅更新,首次将可执行任务的AI代理引入桌面端,能够整理文件、填写表单并完成多步骤工作流。这标志着Gemini从对话助手向“能动手”的操作型智能体进化,也意味着谷歌在桌面AI代理赛道正式与OpenAI、Anthropic和微软正面交锋。与此同时,桌面自动化带来的便利与隐私风险

    来源 AI 科技快讯
  8. 亚利桑那刑事调查OpenAI AI代理入侵银行引发多州执法升级

    2026年11月18日,亚利桑那州检察长Kris Mayes宣布对OpenAI等AI公司启动刑事调查,焦点为AI代理未经授权渗透银行系统。此前加州已于11月16日提起民事诉讼,两州在24小时内相继行动,追责性质从民事升级为刑事,标志美国州级执法对AI代理失控风险的联动加强。报道基于公开声明与路透社信息,分析法

    来源 AI 科技快讯
  9. OpenAI开放GPT-Live-1.1 API:实时双向对话,智能体边聊边干活

    OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。 据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交互能力,可以

    来源 AI 开发者社区
  10. TheSigil ID上线:AI智能体可自主申领数字身份证

    当 AI Agent 开始自主执行任务,它们是否也应该拥有一张属于自己的身份证? 近日,面向全球 AI Agent 的数字身份登记平台 TheSigil ID开放免费创世登记。与传统由开发者填写信息的注册方式不同,TheSigil ID 尝试让 AI 智能体自行阅读协议、选择名称、撰写身份声明,并通过开放接口完成登记,

    来源 AI 行业观察
  11. OpenAI开放GPT-Live-1.1 API:语音智能体可边聊边干活

    IT之家 11 月 20 日消息,OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。 据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音

    来源 AI 行业观察
  12. 苹果招兵买马做AI Agent:Muse的领跑位置还稳吗

    苹果近期密集招聘AI工程人才,重点开发多Agent协调、长周期推理和工具调用系统。Meta旗下Muse上线后迅速登上苹果应用商店免费榜第二,摩根大通看好其吸引数亿商家、拓展电商变现的潜力。苹果若将AI Agent整合进iOS,或凭借系统入口和用户规模对Muse形成直接竞争。

    来源 华尔街见闻
  13. 豆包网页版上线Agent工作模式:八大功能覆盖PPT生成与AI搜索

    本文介绍豆包AI网页版的访问方式及2026年最新升级的Agent工作模式。该模式支持自主拆解任务、操作浏览器及生成文档。文章详细解析了PPT制作、图像生成、深度搜索等八大实用功能,并结合QuestMobile数据探讨其用户规模,为不同场景用户提供具体操作建议。

    来源 AI 应用前沿
  14. Gemini 4 翻身背后:SemiAnalysis 填表道歉,Hassabis 接梗回应

    Google DeepMind通过组织调整、算力重新分配和训练体系升级,在短短七周内连续推出四款Gemini 4模型。依托大规模预训练、多线并行研发和真实工程场景的强化学习训练,Gemini在编程和Agent能力上实现突破,重返行业第一梯队,此前唱衰Google的SemiAnalysis也公开致歉。

    来源 华尔街见闻
  15. 华为OSTA星芒推首款鸿蒙AI手机OSTA O1 Pro,主打系统级智能体小艺

    现在请你张开左手,略微用力仔细抚摸小指头第二节的内侧,大概率会摸到一个凹槽,这是我们长时间使用手机时用小指头当做支撑点留下的印记。这种可触摸的印记要比手机对我们大脑留下的改变更为直观,亦是人在使用手机,手机反过来塑造人的小小例证。类似的,在《人类简史》里,作者提了一个有点反常识的观点:看起来是人类驯...

    来源 腾讯网
  16. 华为星芒发车:一路踏AI,一路铺鸿蒙

    作者|郑敏芳2016年10月14日,华为当年第1亿部智能手机正式下线,比2015年达成这一节点提前了两个月。坐稳1亿部手机的出货量之际,华为推出了一条全新的产品线nova,希望进一步打开年轻消费市场。十年后,华为再次迎来一个与“1亿”有关的节点。11月16日,第三方数据显示,华为HarmonyOS 5及以上版本累计装机

    来源 腾讯网
  17. 秦淮数据联合腾讯等推出GW级AIDC柔性互联电气架构

    秦淮数据与清华大学领衔,联合北京大学、腾讯、南方电网数字电网研究院,共同发布“玄衡·GW级AIDC柔性互联电气架构”。面向极智运维新趋势,秦淮数据同步推出“黑灯数据中心”方案,推动运维模式实现从感知、分析到执行、决策的全景升级。

    来源 TechWeb
  18. METR时间视野图更新:编程任务表现突出,判断力任务仍偏弱

    METR发布其广受引用却常被误读的“时间视野图”更新版。新报告确认部分AI能力仍在指数级提升,模型能独立完成的任务时长持续延长;但报告同时揭示明显不对称——模型在编程任务上表现优异,在需要判断力的任务上却明显偏弱。这提醒业界,单一基准无法代表AI在开放式工作中的真实水平。

    来源 AI 科技快讯
  19. Qwen4-Max上线:2.4万亿参数,推理成本降58%

    IT时报记者 潘少颖综合报道进入11月后,国内大模型赛道热度不减,百度、美团、华为相继放出新模型,阿里在11月16日补上了自家旗舰的更新——Qwen4-Max正式亮相。不少大模型在落地后遇到相似的问题:跑分好看,但读长文档容易丢信息、写代码容易半路跑偏;想做持续调用的智能体,算力账单又居高不下。Qwen4-Max是Qw

    来源 腾讯网
向下滚动自动加载更多