开源大模型新王干翻 GPT-4o，新技术可纠正自己幻觉，数学 99.2 分刷爆测试集
开源大模型王座突然易主，居然来自一家小创业团队，瞬间引爆业界。新模型名为Reflection70B，使用一种全新训练技术，让AI学会在推理过程中纠正自己的错误和幻觉。比如最近流行的数r测试中，一开始它犯了和大多数模型一样的错误，但主动在标签中纠正了自己。在官方评测中，70B模型全面超越最强开源Llama3.1405B、GPT-4o、Claude3Opus、Gemini1.5Pro，特别是数学基准GSM8K上直接刷爆，得分99.2%。这个结果也让OpenAI科学家、德扑AI之父NoamBrown激情
开源大模型王座突然易主，居然来自一家小创业团队，瞬间引爆业界。
新模型名为Reflection 70B，使用一种全新训练技术，让 AI 学会在推理过程中纠正自己的错误和幻觉。
比如最近流行的数 r 测试中，一开始它犯了和大多数模型一样的错误，但主动在< 反思 > 标签中纠正了自己。
在官方评测中，70B 模型全面超越最强开源 Llama 3.1 405B、GPT-4o、Claude 3 Opus、Gemini 1.5 Pro，特别是数学基准 GSM8K 上直接刷爆，得分 99.2%。
这个结果也让 OpenAI 科学家、德扑 AI 之父 Noam Brown 激情开麦：
GSM8K 得分 99%！是不是可以正式淘汰这个基准了？
模型刚刚上线网友就把试玩挤爆了，对此 Meta 还主动支援了更多算力。
在网友测试中，Reflection 70B 能回答对 GSM8K 数据集中本身答案错误的问题：
我向模型提供了 GSM8K 中存在的 5 个 "ground_truth" 本身就不正确的问题。
模型没有重复数据集中的错误答案，而是全部回答对了，这很令人印象深刻，表明那 99.2% 的准确率并非来自于记忆测试集！
数各种 r 都不在话下，连生造词"drirrrngrrrrrnnn" 中有几个 r 也能被正确数对。
网友纷纷对小团队做出的开源超越顶流闭源感到惊讶，现在最强开源模型可以在本地运行了。
关键 70B 还只是个开始，官方表示下周还会发布更大的Reflection 405B。
预计 405B 性能将大幅优于 Sonnet 和 GPT-4o。
Reflection 70B 权重已公开，API 访问将于今天晚些时候由 Hyperbolic Labs 提供。
模型能自我反思纠正错误
目前关于 Reflection 70B 的更多细节如下。
Reflection 70B 能力提升的关键，是采用了一种名为Reflection-Tuning的训练方法，它能够让模型反思自己生成的文本，在最终确定回应前检测并纠正自身推理中的错误。
训练中的数据来自使用 GlaiveAI 平台生成的合成数据。
Reflection 70B 基于 Llama 3.1 70B Instruct，可以使用与其它 Llama 模型相同的代码、pipeline 等从 Reflection Llama-3.1 70B 进行采样。
它甚至使用了标准的 Llama 3.1 聊天格式。
不过，Reflection 70B 引入了一些特殊 tokens，结构化输出过程。
如下面这个例子所展示的，规划过程分为一个独立的步骤，这样做可以提高 CoT 效果，并保持输出精炼：
模型将从在
所以它能够将其内部思考和推理与最终答案分离。
在
系统提示如下：
You are a world-class AI system, capable of complex reasoning and reflection. Reason through the query inside tags, and then provide your final response inside tags. If you detect that you made a mistake in your reasoning at any point, correct yourself inside tags.
（你是一个世界级人工智能系统，能够进行复杂的推理和反思。在标签内对查询进行推理，然后在标签内提供你的最终回应。如果你发现自己在任何时候推理出错，请在标签内纠正自己。）
此外值得一提的是，基准测试中，所有基准都已通过 LMSys 的 LLM Decontaminator 检查污染，隔离了
使用 Reflection 70B 的时候，官方还分享了小 tips：
初步建议参数 temperature 为 .7 ， top_p 为 .95
为提高准确性，最好附加 "Think carefully." 在 Prompt 末尾
官方还表示，下周会发布一份报告，详细介绍模型训练过程和发现。
Agent 创业团队打造
Reflection 70B 的背后是一支小团队，由 HyperWriteAI 的 CEO Mutt Shumer带领。
领英显示，Mutt Shumer 是一位连续创业者，毕业于美国锡拉丘兹大学，现任 OthersideAI 的联合创始人兼 CEO。
OthersideAI 是一家 AI 应用公司，致力于通过大规模 AI 系统开发全球最先进的自动补全工具，也是 HyperWrite 的幕后公司。
HyperWrite 是一个浏览器操作 agent，可以像人一样操作谷歌浏览器来完成一系列任务，比如订披萨：
和 gpt-llm-trainer 一样，你只需要用文字描述目标，它就会一边列步骤，一边执行。
刚推出时号称 " 比 AutoGPT 强 "。
HyperWrite 还可以在谷歌扩展程序中安装。
另外，Mutt Shumer 高中时期就创立了 Visos，致力于开发用于医疗用途的下一代虚拟现实软件。
还创立了 FURI，这是一家旨在通过创造高性能产品并以公平的价格销售它们来颠覆体育用品行业的公司。
虽然有 Meta 支持，但目前打开试玩，还是：暂时无法访问。
感兴趣的童鞋可以先码住了～
https://reflection-playground-production.up.railway.app/
参考链接：
[ 1 ] https://huggingface.co/mattshumer/Reflection-Llama-3.1-70B
[ 2 ] https://x.com/mattshumer_/status/1831767014341538166
[ 3 ] https://x.com/polynoamial/status/1831798985528635806
[ 4 ] https://x.com/degeneratoor/status/1831809610451448196
[ 5 ] https://x.com/kimmonismus/status/1831772661296345333
荣耀MagicOS 11定于9月15日发布，作为行业首个商用系统级Agent Harness架构的操作系统，Magic 9系列将首发搭载。新版YOYO支持最长上百步长程任务及40余项条件触发，10月开启Beta预览版招募。
华强北销售商反馈，年初以来主流手机品牌基本全线涨价，涨幅最低400元，最高达1000-1500元。涨价主因是全球存储芯片及电容等元器件成本上升，运行内存与机身存储价格涨幅超100%。尽管整体市场承压，国产折叠屏手机1-8月销量约450万台（新形态超135万台，同比增29%），AI手机成为厂商发力重点。
索尼发布WH-1000XM4C头戴式降噪耳机，复刻了XM4的经典四向折叠便携设计。该机型在保留QN1处理器和30小时续航的基础上，全面升级了USB-C高速充电、无损音频直连、蓝牙多点连接及AI降噪通话功能，旨在满足对便携性有极高要求的用户群体。
OpenAI GPT-6 Astra 模型通过 MCP 协议与 SourcePauseTool 控制《传送门》游戏，完成 3336 次工具调用并自主通关。实验耗时约 24 小时，API 成本约 571 美元，展示了多模态 AI 在 3D 解谜领域的突破性进展。
本文解析超聚变在2026数博会发布的“智企”范式，重点阐述如何通过Token生产平台（Token Factory）与企业业务本体建模，实现从简单AI工具调用到企业应用架构系统性重构的演进。文章详细拆解了智能体编排、数字孪生及生态协同等关键技术路径，为AI时代企业数字化转型提供可落地的参考方案。
南京邮电大学“光擎智算”团队联合南京大学，攻克GaN基Micro-LED器件技术，成功搭建实验室级光计算验证系统。团队自主研发的5×5 Micro-LED光电计算阵列芯片已进入流片封装阶段，实现了图像识别等算力任务验证，推动光计算技术从理论走向工程落地。
9月3日，贵州省住建厅与贝壳集团在贵阳签署《旅居产业发展战略合作框架协议》，旨在打造全国旅居样板。合作涵盖平台建设、标准共建、人才培育、存量资产盘活及品牌推广五大维度，依托贝壳近600家门店及4000余名经纪人资源，强化贵州旅居服务供给，促进房地产市场平稳健康发展。
本文解析上海链家推出的“安住APP”功能，该工具允许业主在贝壳/链家挂牌后主动管理房源。通过实时查看销售进展、发送看房邀约及获取AI策略，业主可缩短成交周期。数据显示试点期间平均成交7天，最短1天。适用于希望提高信息透明度、主动参与卖房过程的业主。
Windows 10 是一款微软推出的经典操作系统，拥有硬件兼容性与多任务处理能力。它更偏向把系统状态查看和常用调节动作放在一起，适合需要持续观察和微调设备状态的场景。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
