文章進階EN
The State Of LLMs 2025: Progress, Problems, and Predictions
讀原文（在新分頁開啟原站）連到 Sebastian Raschka（部落格）
摘要
回顧了 2025 年大語言模型（LLM）的進展、問題與預測。重點包括 DeepSeek R1 與 RLVR/GRPO 演算法的突破，以及推理時擴充套件（inference-time scaling）的重要性。文章指出，2026 年將更關注推理時最佳化與持續學習，而非單純的模型訓練。
This article reviews the progress, problems, and predictions of large language models in 2025. Key developments include breakthroughs in reasoning models and RLVR/GRPO algorithms, with inference-time scaling becoming a major focus for 2026.
重點
- 2025 年 LLM 發展核心在於推理模型與 RLVR/GRPO 演算法的突破。
- DeepSeek R1 展示了可解釋的推理能力，大幅降低了訓練成本。
- 推理時擴充套件與持續學習是 2026 年的主要趨勢。
提到的工具與公司
- DeepSeek R1
- RLVR
- GRPO
- RLHF
- LoRA
- OpenAI
適合誰看
對大語言模型技術發展感興趣的程式開發者、AI 研究者或科技業人士。
摘要依據
- 講者
- Sebastian Raschka
- 依據
- 文章全文
為什麼排在這裡
- 人氣
- 0.75
- 新鮮
- 0.35
在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算
相關內容
- State of LLMs 2026: RLVR, GRPO, Inference Scaling — Sebastian RaschkaPodcast ・ The MAD Podcast ・ 1 小時 8 分（在新分頁開啟原站）
- 【生成式AI時代下的機器學習(2025)】第七講：DeepSeek-R1 這類大型語言模型是如何進行「深度思考」（Reasoning）的？影片 ・ Hung-yi Lee ・ 1 小時 18 分（在新分頁開啟原站）
- Controlling Reasoning Effort in LLMs文章 ・ Sebastian Raschka（部落格）
- 【生成式AI時代下的機器學習(2025)】第八講：大型語言模型的推理過程不用太長、夠用就好影片 ・ Hung-yi Lee ・ 24 分鐘（在新分頁開啟原站）
- AI Trends 2026: OpenClaw Agents, Reasoning LLMs, and More with Sebastian Raschka - #762Podcast ・ The TWIML AI Podcast ・ 1 小時 19 分（在新分頁開啟原站）
- #490 – State of AI in 2026: LLMs, Coding, Scaling Laws, China, Agents, GPUs, AGIPodcast ・ Lex Fridman Podcast（在新分頁開啟原站）
摘要由 AI 根據原文產生，可能有誤；完整內容請看原站。讀原文（在新分頁開啟原站）