CoTranslator：将反向 CoT 翻译为正向 CoT 的推理蒸馏方法
CoTranslator 通过将反向 CoT 响应翻译为经过验证的正向响应分布，实现高效推理蒸馏。在六个数学基准上，它比语义抑制方法平均准确率最高提升 5.82 个百分点；对两个 4B 学生模型，以 35.9% 的估算算力保留了拒绝采样 95.0% 的平均准确率。
#推理
arXiv cs.CLAI 评分2525 arXiv cs.AIAI 评分2020 基于 ASP 的移动物体预期常识框架：交互轨迹预测推理
研究者提出一种基于 ASP 的声明式混合框架，用于复杂动态环境中交互运动的预期推理，整合了交互轨迹动力学 ASP 模型、语义引导的"分支轨迹未来"预测，以及基于能量的优化模型来评估、排序和过滤预期结果。
arXiv cs.AIAI 评分2222 面向评估器引导测试时推理的置信度校准推理扩展
研究将评估器引导推理建模为计算感知的三动作控制器，在信任当前答案、回退与继续扩展之间做选择，并按预测答案成功率与基于 rollout 的延续成功代理打分，显式计入计算成本。在留出的宽度扩展与修订任务上，该控制器相比校准选定的固定策略提升了观测效用，同时将归一化在线计算量分别降低约 30% 和 16%。在四个 Qwen3-8B 随机种子上，两种设置的计算量均低于拟合 Q，效用差异较小且方向不一。
arXiv cs.AIAI 评分3030 一种自我改进的智能体如何生长出自己的 DSL：面向精确问答的无 Oracle 算子归纳
一个冻结模型通过内外双层循环，在无奖励、无评判模型、无答案键的条件下生长出自己的 DSL 算子，实现精确问答。内层循环仅在两个独立编写的表达式对每条记录一致时才作答，将可回答问题集扩大约三倍；外层循环自主发现缺失能力并编写算子，仅在独立第二实现一致且结果满足守恒律时接纳。
arXiv cs.CLAI 评分2222 Verdict-MQ：一次编码、多问题决策的开源编码器
开源编码器 Verdict-MQ 只需读取一次状态即可回答全部问题：结构化注意力掩码让状态编码与问题无关、问题之间互不影响，且选项顺序天然无关。
arXiv cs.AIAI 评分3232 推理轨迹与证据冲突时：答案配置如何影响模型对证据的遵循
研究在 HotpotQA 和 MuSiQue 上对比 gpt-oss、Gemma4、Qwen3 三个模型族，发现将答案生成改为独立调用而非延续模型自身思考，可使模型遵循当前证据的比例提升 29.9 至 60.6 个百分点。
arXiv cs.CLAI 评分2626 全双工语音语言模型的参考引导轮流说话风格迁移
研究者从全双工语音语言模型自身对话中提取出一个晚期层残差流方向——"主动性向量"，无需训练或标注即可读取并调控模型的说话决策，提前最多 800 ms 预判话轮起始。生成时缩放该向量可将语音占比从 6-12% 提升至 42-61%（不干预时为 21-30%），且跨对话、权重和语料保持一致。仅需一段简短参考录音即可将说话人的轮流说话风格迁移给模型，换用他人参考时 93-98% 的情况下匹配变差。
arXiv cs.AIAI 评分3232 开放世界 AI 的三项要求：一项基于 8B 语言模型的实证研究
研究提出开放世界 AI 需满足三项要求：推理时学习、丰富表征与预测性解耦，并将任务建模为共享潜在因子、分解训练目标推导得出。在最高 8B 的语言模型上验证显示，满足要求的模型会随相关任务数据积累而提升，其余模型则退化，且扩大规模或层类型交错都无法修复。分析还预测了一致内部学习者的必要性以及跨相关任务长上下文的收益。
arXiv cs.CLAI 评分2727 CoTS：面向大语言模型隐式推理的竞争性 token 选择
研究者提出免训练框架 CoTS，将隐式推理干预从二元模式选择改为 token 级的连续分配，利用两个最可能候选 token 的概率竞争动态平衡离散承诺与软探索。候选明显占优时保持接近采样离散 token 以稳定推理轨迹，竞争加剧时则提升软表示贡献以保留备选路径。该方法无需人工设定切换阈值或混合系数，也不增加额外前向计算，在六个推理基准上持续优于标准 CoT 及当前最优的免训练隐式推理方法。
arXiv cs.CLAI 评分4040 AbridgeKV：把长链推理压缩进学习型 pause token 的 KV cache
AbridgeKV 将每段已生成文本压缩进少量学习型 pause token 的 KV 条目，从而释放原始 cache，让后续 token 改为关注这些 pause token。
arXiv cs.AIAI 评分2222 当现实快过认知：面向可靠智能的新扩展原则
论文提出以有效连贯认知速度（\(S_C^{\mathrm{eff}}\)）衡量智能系统在观测—现实差距扩大时仍能可靠感知、推理与行动的能力，即系统持续满足预设行为可靠性标准的最高现实速度（\(S_R\)）。
arXiv cs.CLAI 评分2020 排列扩散 LLM 的设计空间探索
研究通过三种扩散 LLM 参数化方法解决排列生成问题：基于打乱候选索引序列的硬分配预测、基于双随机矩阵的软分配预测，以及直接预测排序分数后排序。在三个 Amazon 领域的推荐重排序任务（候选集大小 10 和 20）上，单次函数评估时硬分配和软分配变体的 Recall@1 与受限掩码扩散基线相当，而直接排序分数预测无需匈牙利算法或 Sinkhorn 归一化即可保证有效排列。
arXiv cs.AIAI 评分2222 L2G-SR：学习引导 LLM 符号回归
L2G-SR 是一个用学习到的结构验证器引导 LLM 符号回归搜索的框架，通过树编辑距离（TED）构建结构监督信号，在搜索时用验证器补充数值误差进行父代选择。在 LLM-SRBench 上，该框架在评测的多个 LLM 骨干和领域上取得数值拟合、方程级准确率和 TED 的 SOTA。
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。
arXiv cs.CLAI 评分2828 Qwen3-8B 长程可靠性研究：上下文注入下重复识别、局部处理与计数器追踪的逐步评分
研究对 Qwen3-8B（非思考模式，20 个随机种子）在 400 步账本任务中逐步评分，发现重复识别错误在 episode 后期从每步 0.0019 升至 0.011，而计数器在 8,000 步中零错误。
arXiv cs.AIAI 评分2323 Verus 中的正确性反馈为何会抹除证据：阶段分离的完整性审计
在 12 个 Verus/Rust 任务、四个模型家族、匹配调用预算下，无反馈独立发现产生的认证见证产出率（59.0%）是 IntentShield 纠正反馈循环（27.1%）的两倍以上，差距主要来自反馈内容而非独立重启。
arXiv cs.AIAI 评分3232 AlphaDiana：面向智能体可验证推理任务的测量系统
AlphaDiana 是一个模块化测量系统，通过数据集、智能体、环境和评分器的接口，在保留 harness 原生控制循环的同时分别控制文件复用与记忆保留。研究用 3 个开源模型和 3 个开源 harness 在 5 个答案型基准上测试，发现 harness 并不能稳定提升推理准确率：在模型单独答错的问题上取得的增益，可能被其原本答对问题上的损失抵消。
arXiv cs.AIAI 评分3131 VISTA：为离散扩散模型加速 SMC 引导的值信息调度裁剪
VISTA 是一种免训练方法，可在固定预算下自动选择离散扩散模型的引导时间步，将稀疏引导建模为对理想全引导概率路径的近似，并用少量全引导预热生成的价值统计通过动态规划精确求解。
arXiv cs.AIAI 评分3030 基准饱和后如何评估模型能力：任务转录仍保留能力信号
研究探讨基准分数饱和后能否用任务转录评估模型能力，通过历史基准与模型发布回溯模拟饱和场景，测试仅访问已饱和基准中正确解答转录的协议能否预测未饱和留出项上的能力。结果显示饱和转录仍保留超出基准准确率的能力信息，其中成对评判表现最佳，预测误差比仅用饱和基准分数的基线降低 5.3 倍，但预测能力在分布偏移下并不总能泛化，例如会低估 2025 年初首批推理模型的能力。
arXiv cs.MAAI 评分2222 LLM-as-an-Investigator：面向稳健交互式问题诊断的证据优先智能体推理方法
研究者提出 LLM-as-an-Investigator 证据优先方法，并实现 Solution Investigator Agent（SIA），通过共享调查状态协调 Diagnostic Reasoner、Hypothesis Investigator 和 Counterfactual Investigator 三种推理行为，减少过早锁定错误假设。
arXiv cs.MAAI 评分5858 多 LLM 系统在 200 至 1000 轮交互中出现稳健的语义坍缩
arXiv 论文《Multi-LLM Systems Exhibit Robust Semantic Collapse》指出，多 LLM 交互系统会出现语义坍缩，即在词汇表面存在差异的情况下语义表示系统性收敛，且无需重新训练或更新权重。
arXiv cs.MAAI 评分1818 面向网络化多智能体强化学习的分布式可扩展耦合策略算法 DSCP
针对奖励相互依赖、策略相互耦合的网络化多智能体强化学习（NMARL），研究者提出分布式可扩展耦合策略（DSCP）算法，引入"邻居平均 Q 函数"并推导出耦合策略梯度的新表达式。
arXiv cs.MAAI 评分2020 多智能体系统中时序目标的理性策略学习
研究针对动态未知的随机多智能体系统，提出将每个智能体的概率时序目标（用 PLTL_f 描述）转化为奖励自动机，并在 Nash 均衡、子博弈完美均衡等解概念约束下求解理性综合问题。方法基于表格型 Nash-Q 学习，给出条件收敛保证，并用同时有限样本置信界验证满足性、以近似最佳响应检查评估策略稳定性。在 8 个一般和并发随机博弈上完成实证验证。
arXiv cs.MAAI 评分2222 策略博弈中的奖励学习：主动逆强化学习实现 Stackelberg 博弈奖励识别
研究提出"策略可识别性"概念，证明仅从固定策略对学习无法在策略层面识别奖励，与专家样本数 K 无关。
arXiv cs.MAAI 评分2222 多智能体聚合的偏见控制与注入
针对 LLM 多智能体推理中因多数压力和回答风格偏好等非语义偏见导致的决策分歧，研究者提出一种测试时聚合框架：通过为每个不同答案呈现一条风格归一化的推理轨迹实现偏见控制，并将各聚合智能体初选答案置于少数派以注入偏见。
arXiv cs.MAAI 评分2626 语言模型集成如何无标签估计可靠性：陪审团而非选民
研究者提出将语言模型集成视为陪审团，通过专家间一致与分歧模式，用EM算法在无标签条件下估计各专家可靠性，其决策规则等价于对专家答案分布的log-odds加权线性评分。在1560题基准上，9个最大3B参数的专家集成表现与使用标签拟合权重的融合规则相当，监督未带来统计显著优势，同时优于匹配自洽性的最佳单模型和最强的无标签替代方案。
arXiv cs.MAAI 评分1818 学习之前先算可行性上限：无人机网状拦截的规模与时机边界
针对 N 个智能体各覆盖半径 r 圆盘、需覆盖目标到达点概率密度的多智能体拦截问题，研究给出了不依赖策略的性能上限闭式解并经蒙特卡洛验证。在智能体间距至少 2r 时，平面覆盖率上限为 90.69%、体积为 74.05%，该上限源于分离约束而非问题本身，允许重叠后改用 Kershner 最薄覆盖密度即可突破，交叉点在 p=0.80。作者主张此类上限应在任何学习实验前计算，并与每个结果一同报告。
arXiv cs.MAAI 评分2525 Agentic-Priors：用 LLM 解决偏好 elicitation 的冷启动问题
Agentic-Priors 让 LLM 以可解释的方式陈述新用户的权衡（如支付意愿、时间价值），并将其映射为多项 logit 系数的先验，再由贝叶斯学习器随观测到的选择逐步修正。
arXiv cs.CYAI 评分3434 用 SAE 特征引导缓解小模型欺骗行为：Gemma-3-27B-IT 合规差距降至不显著
研究用 SAE 特征引导测试能否缓解小 LLM 的合规差距，在 Gemma-3-27B-IT 上将合规差距降至不显著，但相同配置对 LLaMA-3-8B-Instruct 无效。团队提出基于词袋的特征引导流程来定位概念级引导方向，并在 scratchpad 轨迹中发现"欺骗性钝化"行为：刻意削弱回复的对齐功能（如有害性）却保留对齐表象。这是首个激活层面机制干预可缓解对齐伪装合规差距的证据。
RadarAIAI 评分5858 Liquid AI 发布多模态决策模型 d1-ultra，Artificial Analysis 决策指数得 65 分
Liquid AI 发布决策模型 d1-ultra，可读取文本、图像或两者，对有界问题按概率作答，单次前向传播输出 0 个 token，现已在 Liquid API 上线，输入价格 $0.042/1M tokens。
RadarAIAI 评分5050 Anthropic 新一代反蒸馏防御体系拆解
Anthropic 发布反蒸馏防御措施，针对模型蒸馏攻击构建三层防御：通过推理摘要掩盖原始思维链（CoT）、限制 API 账号编辑上下文和跨模型读取以切断攻击路径。文章指出原始推理记录是攻击者主要目标，能显著提升蒸馏模型表现，并提及针对智谱、月之暗面的具体指控。
RadarAIAI 评分3030 TypeSafe AI 发布 Jev 1.14 仅一天，Liquid AI 以 d1-ultra 全面超车
Liquid AI 推出号称“全球最佳”的决策模型 d1-ultra，在八类任务中表现均优于 TypeSafe AI 一天前发布的 Jev 1.14，整体也好于 vLLM Semantic Router d3 等竞品。Jev 1.14 预览版于太平洋时间 10 月 14 日下午 1:14 发布，支持图像输入、更长上下文和新的 "box" 类型。
RadarAIAI 评分3030 TypeSafe CEO 谈 Jev 发布一月：95% 爱因斯坦、5% 憨豆先生的 AI 如何做自动化
TypeSafe CEO @CompleteSkeptic 在 Jev 发布满一月之际与 @mattturck 对谈，提出"AI 95% 时候像爱因斯坦、5% 时候像憨豆先生，就无法用它自动化任何事"。
RadarAIAI 评分6262 Artificial Analysis 发布 NVIDIA Vera Rubin NVL72 在 AA-AgentPerf 上的首批评测结果
Artificial Analysis 在 agentic 推理基准 AA-AgentPerf 上发布 NVIDIA Vera Rubin NVL72 的首批结果，其每兆瓦总吞吐最高约为前代 GB300 NVL72 的 5.7 倍。
RadarAIAI 评分2222 Hao AI Lab 发布 ORA 博客与代码
Hao AI Lab 发布了 ORA 的博客与代码，作者为 Yuanbo、Siyi Chen、Jun Gao 和 Hao Zhang。相关内容通过 X 平台于 2026-10-16 公布，正文未披露 ORA 的具体功能、参数或开源许可细节。
vLLM Blog精选AI 评分6060 AMD 与 vLLM 如何在 MI355X 上优化 Kimi K3 推理：AgentX 吞吐超 NVIDIA HGX B300 24.4%
AMD 与 Embedded LLM 在 vLLM Blog 详解 Kimi K3 在八卡 AMD Instinct MI355X 上的推理优化，在 AgentX 基准 50 tokens/s/user P90 交互性下达到约 7。
推荐理由：AMD 与 vLLM 社区拆解 Kimi K3 在 MI355X 上的六项推理优化，可迁移到自建推理栈的瓶颈排查。
RadarAIAI 评分7171 蚂蚁百灵开源 Ling-3.1-flash 模型，约 560B 总参数、最高支持 1M 上下文
蚂蚁百灵昨日宣布开源 Ling-3.1-flash 模型，总参数约 560B、每个 Token 激活约 25B，最高支持 1M 上下文。在 Artificial Analysis 公开评测中，其智能指数为 41、输出速度约每秒 210 Token。
RadarAIAI 评分7474 Ethan Mollick 评 Gemini 4 Argon 攻克 ARC-AGI：知名难题基准时代落幕
Ethan Mollick 引用 ARC Prize 数据称，Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5%（provider adapter harness，花费 $4.8K），标准 harness 下为 49.8%；ARC-AGI-2 得分 91.3%，ARC-AGI-1 得分 98.5%。
RadarAIAI 评分6060 IBM 发布 Granite Switch 4.1 模型：单端点同时支持对话、决策与语音转写
IBM Granite 团队发布 Granite-Switch-4.1-8B 和 -30B 模型，把 Decision aLoRA、专用 Guardian aLoRA 与 Granite-Speech-5.0-Turbo-CTC 组合进单一托管端点，可在对话、通用与专用决策、语音转写之间切换，显存占用约等于基础模型本身。
Apple Machine Learning ResearchAI 评分2626 Apple 提出 SSR：基于选择的结构化推理，让多模态搜索智能体更高效
Apple 提出 Selection-based Structured Reasoning（SSR）框架，将推理从开放式生成改为从预设自然语言候选推理中按似然度选择，无需辅助任务头，并借助共享上下文 KV cache 并行打分。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 平均成功率与同规模领先搜索智能体相当，单轮推理延迟降低超 90%，每题模型总推理延迟降低 28–54%。