编码智能体的报告遗漏了什么：CTXGAP 测量执行上下文与报告之间的任务状态差距
CTXGAP 测量研究发现，编码智能体在按需回答任务状态问题时准确率达 93.6%，但仅读报告的监督者只能恢复 52.0%，与全上下文读者的 92.7% 相差 40.7 个百分点。在 30 个已验证修复的最终检查点上差距仍有 34.8 个百分点，完整终端回滚可将恢复率提升至 73.6%，但仍不及全上下文。该研究将基于报告的任务状态可恢复性确立为一项补充评估维度。
#DeepSeek
arXiv cs.AIAI 评分4444 arXiv cs.CLAI 评分3030 大语言模型可从个人记录中朴素推断族裔
一项已撤回的研究显示，大语言模型无需额外训练数据即可从姓名推断族裔，在佛罗里达和北卡罗来纳选民样本上准确率达 84.7%，超过 BISG 的 68.2%。测试涵盖 Gemini 3 Flash、GPT-4o、DeepSeek v3.2 和 GLM-4.7 等六个模型，启用扩展推理可提升 1-3 个百分点，加入党派登记等元数据可达 86.7%。
arXiv cs.CLAI 评分2727 大语言模型查找表的两比特量化：Conditional Program 压缩 n-gram 记忆
研究者提出 Conditional Program（CP），一种只重建输入所请求行的压缩表示，用短码加局部缩放并共享重建程序，以 Gaussian trellis 实例化。其两比特编码相比 2-bit round-to-nearest 将输出 KL 降低 41–63%。在 DeepSeek 上，该方案把表存储从 203GB 降至 51GB，为表常驻 GPU 时留出更大工作负载空间。
arXiv cs.AIAI 评分3434 IneqAgent：结合符号计算的 Lean 不等式证明智能体
IneqAgent 是一个将 LLM 推理与符号计算结合、在 Lean4 中证明不等式的智能体框架，采用引理级蒙特卡洛树搜索协调引理构造、目标重写与符号后端选择。
RadarAIAI 评分2222 Hao AI Lab 估算机器人任务求解成本：每个成功案例约 $0.30–$0.35
Hao AI Lab 估算机器人任务求解的模型成本约为每个已解决案例 $0.30–$0.35，该估算采用 DeepSeek 非高峰时段 API 费率，并计入在 RoboTwin、LIBERO 和 LIBERO-Pro 上的失败尝试。40 个展示回合平均每个 $0.13。
RadarAIAI 评分3434 ORA 部署真机：DeepSeek-V4.1-Flash 开抽屉放糖果
Hao AI Lab 将 ORA 搬到真实机器人上，在低成本机械臂、固定 RGB-D 相机和腕部相机的初步运行中，DeepSeek-V4.1-Flash 通过抽屉把手打开抽屉，并把一根糖果棒放进盒子里。
The Decoder精选AI 评分8080 GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，单题约 2.40 美元
一项新基准测试让商用 AI 智能体在无人类提示下求解理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。
推荐理由：读者可看到前沿模型在理论物理论文级计算上的实际得分、成本与失败模式，以及作者对科研训练与资源门槛的影响判断。
arXiv cs.AIAI 评分2222 超越文化人格偏差：以响应几何衡量语言模型与人类
研究提出用响应几何（各维度间相关矩阵构成的对称正定矩阵）衡量语言模型与人类的文化偏好。在 DeepSeek-V3 和 GPT-4o 中，固定题目顺序时提示的文化人格在 Big Five 得分和响应几何两个层面均显现；随机化题目顺序后响应几何降至随机水平，Big Five 仍能以 95%–97% 区分两种人格。
arXiv cs.AIAI 评分2222 当 LLM 奖励设计失败：面向稀疏结构化 RL 的诊断驱动式改进
针对稀疏结构化强化学习任务，研究提出诊断驱动的迭代改进方法，用训练诊断和失败模式分类指导奖励函数修订，将 DoorKey-8x8 成功率从无塑形的 2.3% 提升至 97.6%，KeyCorridor 从一次生成的 31.2% 提升至 86.7%。
arXiv cs.AIAI 评分3131 ReguSim：评估 LLM 智能体在金融合规中的规则落地能力
研究者推出 ReguSim 金融合规环境和 ReguBench 目标标记监测基准，用于区分陈述推理、尝试动作、执行约束与监测证据四个环节。在 DeepSeek V4 Pro 和 Gemini 3.5 Flash 的交易智能体测试中，可见规则能减少但无法消除被拒动作，激励或人设设定会改变行为。监测环节中，简单结构化基线可持平或超过仅用提示词的 LLM。
arXiv cs.AIAI 评分2222 时点语言智能体的未来记忆使用审计：Qwen 与 DeepSeek 的对比研究
研究审计了时点（PIT）语言智能体在 48 个历史公司对比任务中是否会利用截止日期后的未来事实。Qwen 和 DeepSeek 均能回忆未来事实，但都未出现预设的偏向记忆更好公司的证据分配偏移。
arXiv cs.AIAI 评分2424 输出纪律决定下限：一种模型无关、可证伪的智能体协议，用于可审计的假设驱动决策
在 TCMEval-SDT 中医辨证基准（200 例）上，约束大语言模型可审计决策的是输出纪律与推理结构而非模型能力：两年模型扩展仅让零样本分数变动 -0.03 至 +0.08。
arXiv cs.AIAI 评分4141 单智能体长期记忆中的 Memory Echo：生命周期评估与来源引导缓解
研究提出 Memory Echo 概念，指同一来源的历史信息在无独立证据下获得的额外检索曝光，并构建 MEchoBench 评估其产生、抗纠正、持续性与对答案的影响。
arXiv cs.AIAI 评分2424 RECAP：在推理模型读过的历史上下文上校准低比特量化
针对低比特量化会损害推理模型长链思维的问题，研究者提出训练后量化方法 RECAP，通过动态前缀校准和前缀读取几何，在模型实际读取的历史上下文上校准量化误差。在 W4A4KV4 设置下，RECAP 使 DeepSeek-R1-Distill-Qwen-1.5B 在 MATH500 上准确率较基线提升 13.3 个百分点，Qwen3-4B 在 AIME-120 上提升 15.8 个百分点。
arXiv cs.CLAI 评分2929 从 DeepSeek-R1 到 Qwen2.5-7B：John O'Bryan 数学竞赛上的推理模型知识蒸馏案例研究
一项案例研究将 DeepSeek-R1 的 CoT 推理能力蒸馏到 Qwen2.5-7B，在 John O'Bryan 数学竞赛题上把准确率从 64.67% 提升到 69.43%（5 次独立训练均值，标准差 0.17%），并在 MATH-500 上达到 73.1%。
arXiv cs.AIAI 评分3131 Trace Evolution Bench：衡量智能体能否从自身环境轨迹中进化
研究者提出 Trace Evolution Bench（TEB），将端点增益拆分为重打分与上下文或权重更新，并给出三套冻结的 80/20/40 数据包，仅当验证集不下降时才接受更新。
arXiv cs.CLAI 评分3434 从不可靠到可用：LLM 实体抽取的失败模式与置信信号分解——来自网络威胁情报的证据
一项预注册冻结评测用 DeepSeek-V4-Flash、GLM-5.3-Flash 和 GPT-6.1-Sol 在 354 个事件活动语料上抽取实体，micro 精度仅 0.03-0.34，旗舰层级也未缩小差距。
arXiv cs.AIAI 评分2424 TQG-Exp：用轨迹质量引导 LLM 智能体的经验学习
针对现有经验学习方法只看最终任务结果、忽略执行过程的问题，研究者提出轨迹质量引导的经验学习框架 TQG-Exp，通过轨迹质量损失（TQL）同时考虑任务完成度与过程质量，并结合有无检索经验的配对 rollout 优化经验、估计其效用。
arXiv cs.AIAI 评分2626 HAFixAgent：历史感知的智能体程序修复
HAFixAgent 将 blame 衍生的仓库历史上下文注入修复循环，在 854 个 Defects4J（Java）和 501 个 BugsInPy（Python）bug 上验证了历史信息对智能体程序修复的提升。
arXiv cs.AIAI 评分2424 GenCoord：私有信息下具身 LLM 智能体的可执行承诺协议
GenCoord 是一种去中心化协议，把分工本身当作消息：提案将发送方的技能路径与伙伴的后续工作配对为 Short DSL 表达，兼容路径形成承诺，并将履约检查与原始任务成功分开评估。
arXiv cs.CLAI 评分2727 知道不等于说出：LLM 对跨境族群身份的固化表征
研究提出跨境身份固化诊断框架 TIODF，对比直接事实提问与开放式叙事提问，测试 GPT-5.1 和 DeepSeek-V3.2 在英文和中文下对中国西南边境九个跨境族群的表征。
量子位AI 评分6262 字节 Seed 团队发现 DeepSeek-V4 表现随 Token 位置周期性波动，原因指向分块 KV Cache 压缩
字节 Seed 团队发现 DeepSeek-V4 系列在 128K 长上下文检索中，同一条信息换个位置，准确率最高相差 40.2 个百分点，且波动以 4 个 Token 为周期重复。
arXiv cs.CLAI 评分2222 MoE 语言模型中的路由重加权难以有效控制刻板印象
研究提出诊断框架 FARE，结合人口统计路由画像、经验层选择与固定推理时重加权，在五种 MoE 架构上测试路由级刻板印象控制。在选定操作点上，CrowS-Pairs 偏好变化最多 1.3 个百分点，DeepSeekMoE 未选择任何干预，唯一名义显著变化（Qwen1.5，p = 0.015）未通过多重比较校正。
arXiv cs.AIAI 评分3030 Internalizer：面向超大规模语言模型的便携式上下文到参数映射
Internalizer 是一种可移植的上下文到参数映射超网络，能为冻结的 284B 参数 DeepSeek v4 Flash 生成文档专属 LoRA 适配器，规模比此前工作大两个数量级。
arXiv cs.AIAI 评分4444 StoreBench：用于评估与训练自主运营智能体的直播电商环境
研究团队推出 StoreBench，一个让智能体在电商后端运营中型服装店的直播电商环境，通过 29 个商家工具测试长程规划与不确定性下的经济判断。七个前沿 LLM 在 11 个场景中均未超过脚本化策略，表现最好的 DeepSeek-V4-Pro 通过 49% 的任务-种子组合，而启发式策略为 97%。
RadarAIAI 评分6262 字节 Seed 团队论文解释 DeepSeek 抽风原因，指长上下文检索存在相位敏感性
字节 Seed 团队 9 月底在 arXiv 提交论文，指出分块 KV 缓存压缩引入 Token 相位这一新位置坐标，导致检索性能周期性变化，用以解释 DeepSeek 的抽风现象。
arXiv cs.AIAI 评分2929 扩大强化学习规模真的需要更多训练吗？SURGE 提出策略空间扩展方法
研究者提出策略空间扩展（policy-space scaling），可从已完成的 RL 训练历史中提取比优化器访问过的 checkpoint 更强的策略，无需延长训练或增加单次推理计算。
arXiv cs.CLAI 评分2727 SEER：面向推理模型的自增强思维链压缩框架
SEER 是一个自增强的思维链压缩框架，通过 Best-of-N 采样优化自生成 CoT 数据，再用轻量数据驱动过滤器筛选简洁且正确的推理路径并微调模型。在 DeepSeek-R1-Distill-Qwen-7B 上，SEER 于四个软件工程基准中平均缩短 CoT 长度 34.6%，同时提升任务表现，减少截断和推理循环。
arXiv cs.AIAI 评分2424 编码智能体的自我纠错应携带多少证据？自适应 Dirichlet 证据用于自蒸馏
研究提出 Effective-Evidence Self-Distillation（EESD），将纠错的执行支持度与证据量分开建模：归一化执行相关性决定相对转移支持与有效伪计数质量，再由 Dirichlet 后验生成带不确定性惩罚的权重用于 KL 锚定纠错学习。
arXiv cs.CLAI 评分2727 EngramEdit：通过条件记忆实现 LLM 解耦式知识更新
EngramEdit 通过条件记忆架构实现 LLM 的解耦式知识更新，在保持 Transformer 主干固定的前提下完成事实知识编辑，达到近乎完美的编辑成功率。修订后的知识可泛化至未见表达和多跳推理，在 CoT 提示下准确率约为最强基线的三倍，且不相关知识与其他通用能力基本不受影响。
科技媒体 RSSAI 评分3434 Arena 评测 Jev Router：成本高 38%、延迟 1.7 倍
Arena 在 Agent Arena 上用超 4700 个真实智能体会话评测了 typesafeai 的 Jev Router，结果显示其未推进当前帕累托前沿。达到与 DeepSeek V4.1 Flash（Max）相近性能时，Jev Router 成本高 38%，模型请求延迟中位数高 1.7 倍。
科技媒体 RSSAI 评分3636 DeepSeek-V4.1-Flash 在 ARC-AGI 上的推理档位对比
ARC Prize 公布 DeepSeek-V4.1-Flash 在 ARC-AGI-1 上的结果：high 推理档得分 88.5%，低于 low 档的 90.5%。差异集中在 8 个任务上，high 在 5 个任务上低 4.5 分、3 个任务上高 2.5 分，且多消耗 35% 输出 token 却未带来更稳定的正确答案。
科技媒体 RSSAI 评分4242 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上回避或复述官方立场
Aleph Alpha 用 967 个敏感话题测试阿里 Qwen、DeepSeek 和月之暗面 Kimi，其自研评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
arXivAI 评分3131 DeepSeek 的法律与政策图景分析
DeepSeek-R1 的出现对科技行业、资本市场和政策圈产生显著影响，其关键技术特征包括强化学习、MoE 架构、多头潜在注意力机制、知识蒸馏和开源路线。该研究围绕这些技术特征，对 DeepSeek 所涉法律与政策格局展开全面分析，并探讨其成功对既有监管框架提出的关键问题。
科技媒体 RSSAI 评分5050 DeepSeek 知乎独家发文，首次公开 V4.1 Agent 训练“大本营”DSec
DeepSeek 在知乎独家发布技术长文，首次系统阐释其弹性计算平台 DSec（DeepSeek Elastic Compute），该平台是 V4.1 Agent 训练的“大本营”。
SemiAnalysisAI 评分3434 SemiAnalysis：Engram 嵌入如何为高效 DRAM/SSD 卸载做协同设计
SemiAnalysis 分析 DeepSeek 的 Engram 架构：在标准 token 嵌入上增加多 token 查表，让重复局部模式直接取回向量，从而在同质量下降低 HBM 容量需求。