TOD：基于任务导向设计的通用决策模型开源发布
团队开源了 TOD，一个基于 12B Gemma 微调、用于给选项打分的决策模型与 API，可用于工单路由、意图分类、紧急程度判断和严重性评级。当标签超过 120 个时，由 150M 检索模型先缩小候选范围（评测 recall@16 为 0.9–1.0），再由 12B 模型打分；上下文最高 49k tokens，每次请求最多支持 8 张图片。
#推理
Hacker NewsAI 评分3838 arXivAI 评分2222 小语言模型在抽象推理任务上的系统性研究
研究在 ARC-TGI 基准上考察小语言模型抽象推理能力，该基准将抽象网格变换组织为可控任务族，支持重采样、空间平移与跨基准迁移。研究对 decoder-only、encoder-decoder 和 MoE 三类模型家族在监督微调下进行了超过 1000 次运行，分析技能习得的效率与稳定性。
arXivAI 评分2222 大语言模型安全投机解码研究
研究首次系统考察投机解码的安全影响：该方法先用小模型（draft model）生成候选 token，再由大模型（target model）验证接受或拒绝，此前研究多关注效率与效果权衡，如 lossy speculative decoding，安全层面基本未被探索。
arXivAI 评分2222 同数引用替换：以 Jev 压力测试金融证据判断能力
研究用 Jev 作为来源支撑验证器，检验 GPT-4.1-mini 计算轨迹中概率化证据验证在数字匹配之外的作用。在固定操作数与运算、仅将引用在同数值单元格间移动的设定下，带符号指针数字基线已能解释大部分相对精确引用检查的恢复效果，剩余难点在于财务角色识别。
arXivAI 评分3131 视觉推理中 RL 更新参数的选择性迁移
研究提出围绕训练阶段更新来迁移能力，将强化学习（RL）在语言模型上引发的参数变化单独分离，再迁移到视觉语言模型（VLM），而非按端点整体迁移。作者发现该 RL 更新的各组成部分跨模型可迁移性差异显著，主导方向迁移效果更好，因此完整迁移并非最优。
arXivAI 评分3434 SquidAgent：并行化多智能体如何做到明智并行、高效协调
SquidAgent 针对并行多智能体系统常比单智能体基线更慢的问题，指出并行执行带来两项串行智能体不会遇到的隐性成本：一是重复探索成本，并行 worker 会重复重建 orchestrator 已掌握的上下文（如既有决策）。
arXivAI 评分3838 Parallel Predictive World Models：并行预测实现高效长时程规划
研究者提出 Parallel Predictive World Models（PPWM），可并行预测有限时程轨迹，同时保留未来表示之间的因果交互，每个时程以其因果动作前缀为条件。该方法针对自回归 rollout 存在的时程长度串行路径和递归解码状态反馈问题，将时间结构与解码过程分离。
arXivAI 评分3131 Adaptive Power Sampling：面向 LLM 推理的自适应幂采样
一种面向 LLM 推理的训练无关方法 Adaptive Power Sampling 被提出，为序列级幂采样引入查询自适应能力，不再对所有查询统一锐化基础模型分布。理论上，进一步锐化的收益由正确与错误回答之间的 self-reward gap 决定。
arXivAI 评分2929 AnyBottle：只保留真正需要的概念，构建紧凑任务专用概念瓶颈模型
AnyBottle 是一种构建紧凑、任务专用概念瓶颈模型（CBM）的方法，仅需冻结骨干网络和无监督概念池（如稀疏自编码器），即可摆脱概念标注依赖。它针对现有无标注 CBM 概念词表庞大、训练与推理阶段静态固定的问题，让瓶颈只保留任务真正需要的概念，从而更易检查。
arXivAI 评分2222 0.6 到底有多高？可解释性探针中的下限、上限与余量
针对可解释性探针分数缺乏固定含义的问题，研究者提出用两个参照点来解读每个探针分数：下限是给定简单输入已能预测的部分，上限是完整输入能预测的部分，两者之间的差距即"余量"，是探针能够证明模型计算了超出输入本身信息的范围。
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。
arXivAI 评分3232 UNREAL：用单一模型统一检索与长上下文
UNREAL 是一个模型原生的证据选择框架，用同一套模型内部机制同时覆盖语料检索与长上下文推理。它直接从冻结 LLM 的内部表示中编码文本块并生成检索查询，仅新增不到 500K 可训练参数。
arXivAI 评分2727 重新审视跨分词器在线策略蒸馏：从对齐覆盖率到监督可靠性
针对跨分词器在线策略蒸馏（OPD），研究在数学推理与代码生成任务的三组异构教师—学生模型上考察扩大对齐覆盖率能否提升学习效果。结果显示，严格的 1:1 对齐分组已覆盖学生生成的大部分 token，尽管词表差异显著；在蒸馏前学生采样的回复上，共享词表保留了……
arXivAI 评分3131 AssemState：面向零样本家具装配的手册与物理状态引导推理框架
AssemState 是一个零样本家具装配框架，通过手册与物理状态引导推理，将图解手册中的步骤级操作转化为 6D 位姿更新，使零件能与环境和已装配部件发生物理交互。该工作针对多模态大语言模型在精确 3D 空间推理与物理环境结合上的不足，提出以物理状态引导的方式完成装配。
arXivAI 评分2626 Foresight-over-Graph：知识库问答中超越局部视野的推理
针对 LLM 在知识密集型任务中易产生幻觉的问题，研究者提出 Foresight-over-Graph 方法，用于知识库问答中的图推理。现有 LLM 引导的图推理方法在证据检索时依赖逐跳贪心或 beam 式剪枝，这种局部决策本质上是短视的——靠近源节点看似微弱的证据，可能在后续推理中变得关键。
科技媒体 RSSAI 评分1515 ARC Prize 2026 研究峰会讲者公布：PRO-LONG 一作 Alexis Fox 入选
ARC Prize 2026 研究峰会公布研究讲者，杜克大学研究员 Alexis Fox 入选。她是 PRO-LONG 的第一作者，该项目利用程序化记忆支持长程推理，其研究方向为 AI 如何实现更长程的推理。
arXivAI 评分2626 量化 ViT 的测试时自适应：单次前向的量化器对齐重校准
针对量化 ViT 在分布偏移下性能脆弱的问题，研究者提出一种单次前向的量化器对齐重校准方法，实现测试时自适应。现有 TTA 方法多依赖反向传播，或无反向传播但仍需额外前向与参数更新，轻量级特征或 logit 层面方法只能恢复部分精度。
arXivAI 评分3434 世界模型规划需要多少预算？SufficientPlan 如何减少搜索与计算
针对视觉世界模型规划预算普遍偏大、部署效率受限的问题，研究者提出 SufficientPlan 部署框架，无需修改预训练世界模型或更新规划器。该工作发现无需与 Full-budget 动作一致也能取得有竞争力的任务表现，且充足预算因模型—任务组合而异，迭代规划器还会反复编码与求解无关的上下文。
arXivAI 评分2222 通过轮询策略性智能体进行网络干预
研究针对多活动网络博弈中策略性智能体私有信息、虚报与计算不可扩展三重挑战，提出规划者设定非歧视性价格的方法。结果表明最优价格可对福利核进行基于中心度的分解，每个智能体的贡献与其在按偏好重新加权网络中的中心度平方成正比。
arXivAI 评分3131 SCOPE：以语言模型作为策略规划器的可验证定理证明
SCOPE 提出用语言模型做策略规划、符号引擎执行数值计算、编译器校验证明的定理证明方案，以解决直接生成在多步数值命题上因逐整数正确率连乘而失败的问题。研究在 2,617 条参考证明上做受控破坏实验，验证了通过率随逐整数准确率呈幂律下降。
arXivAI 评分3232 LeanPlan：用 LLM 生成启发式并机器验证可采纳性的最优规划系统
LeanPlan 是首个用 LLM 生成启发式函数并对其可采纳性做机器验证的规划系统，从而找到最优规划。它通过智能体循环借助规划器反馈迭代改进可复用的领域特定启发式及其可采纳性证明。此前 LLM 生成的启发式虽在满足性规划中达到 SOTA，但不保证可采纳，可能产生次优规划。
arXivAI 评分2222 OSFP4：面向 NVFP4 量化的对角平滑与块缩放联合优化
研究提出 NVFP4 量化方案 OSFP4，针对每个线性投影使用对角平滑矩阵，其元素在 NVFP4 下以最小化矩阵乘积量化误差为目标进行优化，并考虑 round-to-nearest 或 GPTQ 式逐次干扰消除等舍入过程。该方法将平滑与块缩放联合优化，以在保持 LLM 推理精度的同时利用 NVFP4 的紧凑存储与原生张量核心加速。
arXivAI 评分2626 神经解码中上下文先验下的置信度排序反转
在 MEG-MASC 和 MOUS 的语音检索任务中，上下文先验通过加性浅融合重塑候选得分，而置信度取自同一批被重塑的得分，导致先验遗留的错误可能变得更自信却不改变准确率。研究发现初始错误预测中存在置信度排序反转：更大的 top-two margin 反而使修复更可能发生。
科技媒体 RSSAI 评分6262 Reflection 发布首个开源权重模型 Beam
Reflection 发布首个开源权重模型 Beam，这是一个混合专家（MoE）系统，每次 token 仅激活 5010 亿参数中的 230 亿。该模型目标是在编码和推理上对标 GLM 5.2，同时算力消耗降低三到四倍。其针对 DeepSeek、Qwen 等中国开源对手的策略是以效率而非原始性能取胜。
科技媒体 RSSAI 评分6262 Reflection 发布开放权重模型 Beam，以更低算力对标 DeepSeek 与 Qwen
Reflection 发布首个免费开放权重模型 Beam，定位以最小算力实现强性能，对标 DeepSeek 和 Qwen 的开放权重模型。Beam 为 501B 总参数的 MoE 模型，每 token 激活 23B。据 Reflection 称，它在推理任务上以少三到四倍的算力匹配 GLM 5.2，编码和智能体基准接近 Qwen3.8-Max，但原始性能仍不及 Kimi K3。
arXivAI 评分1717 LogiKEy 方法论：用数学证明助手教授逻辑学
LogiKEy 方法论以经典高阶逻辑（HOL）作为通用元逻辑，通过语义嵌入将经典与非经典对象逻辑编码其中，使 Isabelle/HOL 等单一证明助手及其自动定理证明器和（反）模型查找器成为统一教学环境。该方法已用于计算机科学、数学和哲学混合学生群体的课程、暑期学校与教程超过十年。
科技媒体 RSSAI 评分6262 Ant Group 发布 Ling 3.1 Flash，智能指数从 20 升至 41
Ant Group 发布推理模型 Ling 3.1 Flash，总参数 560B、激活 25B、上下文窗口 1M token。Artificial Analysis 评测其智能指数 v4.3 得分为 41，较 Ling 3.0 Flash 的 20 大幅提升，智能体能力改善尤为明显。
科技媒体 RSSAI 评分6262 OpenAI 公布内部前沿模型在数学开放问题上的新结果
OpenAI 发布内部前沿模型在数学开放问题上取得的新结果，并在 GitHub 上公开 Lean 证明形式化与研究细节。
OpenAI News精选AI 评分6262 OpenAI 公布前沿模型在数学开放问题上的进展
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 上公开 Lean 证明形式化及相关研究细节。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果，并放出 Lean 证明形式化与细节，可看模型推理与形式化验证的结合方式。
arXivAI 评分2222 Align, Then Correct：面向极低比特量化大语言模型的无训练两阶段低秩补偿
研究指出，现有低秩量化误差补偿（LQEC）方法受两个简化假设限制：对称校准使补偿目标本身呈高秩，固定秩预算只能捕捉其中一小部分；且仅最小化损失的二阶项。作者提出"先对齐、再校正"的无训练两阶段低秩补偿方法，用于极低比特量化的大语言模型。
arXivAI 评分2727 通过 System One 引导的计算分工实现 Token 高效的多智能体协作
针对 LLM 多智能体系统将任务推理与任务选择、角色分配、消息路由、上下文管理等协调操作紧耦合、导致 token 开销与延迟随交互增长的问题，该研究提出 System One 引导的计算分工方法，将这类有界控制决策从强 LLM 中剥离。
arXivAI 评分3737 Navier-Stokes 翻译失真：为何 AI 自动形式化的 Lean 验证不能保证自然语言证明正确
针对 OpenAI 宣称的 Navier-Stokes 方程解爆破证明，该文指出 AI 自动形式化流程存在根本缺陷：AI 将自然语言数学文本翻译为 Lean 形式语言后，Lean 验证只能保证形式化表述本身正确，无法保证原始自然语言论证正确。由于翻译环节存在多重困难，形式化验证通过并不等于原证明成立。
arXivAI 评分3131 Test-Time Agent Evolution：面向长周期法律推理的测试时智能体演化
研究提出 Test-Time Agent Evolution，一种免训练的测试时智能体自适应方法，用于应对长周期法律推理中案件事实、证据与程序语境高度异质、静态智能体策略失效的问题。该方法针对法律推理跨角色、跨程序阶段相互依赖的特点，强调全局可靠性而非单一角色的孤立能力。
arXivAI 评分3232 Confidence Reasoning Graphs：面向 LLM 智能体的结构化置信度估计
针对 LLM 智能体置信度估计中证据分散于异构且相互依赖的轨迹步骤、前沿模型内部信号受限、roll-out 成本高且训练数据易过时等问题，研究者提出 Confidence Reasoning Graphs，用结构化方式对智能体成功概率进行置信度估计。
arXivAI 评分2727 Hybrid Latent Attention：为循环语言模型压缩 KV cache
针对循环语言模型重复 T 次层堆叠导致 KV cache 扩大 T 倍、拖慢解码的问题，研究者提出 Hybrid Latent Attention（HLA）：在 W 个近期 token 的滑动窗口内保留精确的 key 和 value，更早的 token 则存为紧凑 latent，由每轮循环的 query 直接读取，无需重建 key 和 value。
arXivAI 评分3232 ReFold：面向长程智能体的免训练可逆轮间上下文折叠
ReFold 是一种免训练的渲染层，用于长程 LLM 智能体的轮间上下文折叠，可逆且无需额外模型调用。现有上下文管理方法依赖上下文需求预测，需额外模型调用、启发式规则或训练策略，会带来运行时开销、使前缀缓存失效，并永久丢弃内容且无法保证恢复。
科技媒体 RSSAI 评分6262 OpenAI GPT-6 提速，Reflection 开源 501B MoE 模型
OpenAI 的 GPT-6 Astra 与 GPT-6.1 Sol 在 ChatGPT 中运行速度提升约 50%，并启动 Codex 与 Work 用户的 28 天每日改进承诺。
arXivAI 评分2222 DHCG：为基于 LLM 的多智能体推理动态构建分层协作图
针对现有 LLM 多智能体系统组合受限、依赖错位、规模不灵活的问题，研究者提出 DHCG，将多智能体系统设计重构为部分可观测马尔可夫决策过程，动态决定智能体的组合与规模，并构建分层协作图以适配执行中的推理需求。
Latent SpaceAI 评分7171 Reflection 发布 501B-A23B 开源模型 Beam
Reflection 发布 Beam，一个面向编码、智能体与科研任务的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，Apache 2.0 全量权重预计本月放出。
arXivAI 评分2626 Agentic Semantic Sensing：面向资源自适应 AI-RAN 的闭环语义感知框架
研究者提出 Agentic SemS，一个面向 AI-RAN 的闭环语义感知框架，可在通信可行的配置集合内控制感知过程。该框架用配置条件化的因果 Transformer 从流式观测中更新语义信念，并通过 key-value 缓存提升效率，以替代传统开环、推理前固定感知配置的做法。