【AIbase 报道】近日，一家鲜为人知但备受关注的旧金山初创公司 Deep Cogito 发布了旗下 Cogito v2系列大型语言模型（LLM），试图在拥挤的开源AI赛道中突围。不同于传统的参数堆叠策略，这家由前谷歌工程师创立的公司，押注“机器直觉”与自我改进的推理能力，打造出真正能“边用边学”的AI模型。
模型不仅回答问题，更学习“如何回答问题”
Cogito v2系列包括四个模型，参数规模从 70B 到671B 不等，分为 密集模型（Dense） 和 专家混合模型（MoE），均已在 Hugging Face、Together AI 等平台开放使用。旗舰模型 Cogito v2-671B MoE 被称为“思维效率最优”的推理型AI，推理路径比 DeepSeek R1缩短60%，性能却能与 Qwen1.5-72B 和 Claude4Opus 接近甚至超越。
其核心技术在于模型不仅在运行时进行“内省式推理”，更将这些推理路径提炼回模型权重中，形成内化直觉。这一机制，让模型能像 AlphaGo 通过对弈强化策略一样，在每一次推理中“变得更聪明”。
推理实力实战检验:速度更快，路径更短
Deep Cogito 发布了多个测试样例来验证其“机器直觉”:
在数学问题中，Cogito671B 凭借短至100token 的推理链准确得出结论，而 DeepSeek R1则用了200+ token。
在法律类推理中，它采用两步逻辑结构输出清晰结论，超过许多模型甚至真实法学硕士学生的表现。
在经典亲属逻辑题“爱丽丝是查理的祖母吗?”中，Cogito v2成功避开了代词混淆陷阱，准确输出“祖母”。
更低成本的训练路线，挑战百万级预算神话
尽管 Cogito v2的模型规模庞大，Deep Cogito 称其 训练8个模型总成本不到350万美元，这与 OpenAI、Anthropic 动辄上亿美元的研发开销形成鲜明对比。
公司首席执行官 Drishan Arora 表示:“更好的模型不是训练更多数据，而是训练更有意义的数据。”这正是 Cogito 模型得以在推理任务上突破的关键所在。
开源理念延续，打造“会进化的模型体系”
Cogito v2模型目前已可通过 Hugging Face、Baseten、RunPod、Unsloth 等平台下载或API调用。为轻量化部署场景，Cogito671B 还推出了 FP8量化版本，支持大模型以更低硬件门槛运行，推理效率提升，准确率仅微幅下降。
更重要的是，Deep Cogito 承诺所有模型开源，并将持续迭代、优化，形成以“推理链反馈+自我提升”为核心的新型模型训练路径。
目前，Cogito v2已获得 Benchmark 和 South Park Commons 等知名机构的关注与支持，并被视为开源AI领域的一匹黑马。
