Naver AI 提出循环式投机解码方法 DLoop，在目标模型验证前自适应执行多轮草稿生成并一次性验证全部 token，减少目标模型前向传播次数。该方法在 EAGLE-3、DFlash、Domino、DSpark 及多 token 预测模块上将 wall-clock 加速提升 5%-41%，并保持无损解码；配套的循环感知训练让草稿模型在额外草稿阶段保持可靠。
推荐理由：原文提出循环式投机解码策略，在验证前合并多轮草稿生成，可叠加在多种已有方案上额外提速 5%-41%。
研究团队提出 U-Space 方法，借助机制可解释性把大语言模型的不确定性映射到残差空间中的低维可解释基底上。U-Lens 把每个 token 状态投影到表示怀疑与确信的语义锚上，得到逐 token 的不确定性热图，可聚合成标量置信度，无需正确性标签、多次采样或额外训练；在多个推理基准的标准评估和长度控制评估下均优于已有基线，且迁移性强于有监督估计器。代码开源在 GitHub。
推荐理由：把不确定性量化做成残差空间中的可解释基底，为推理模型提供不需要标签或多次采样的置信度读数。
该论文提出 Self-Retrospection Distillation（SRD），把已完成轨迹中的事后经验蒸馏为同一策略在交互前的预判，弥补 RLVR 在 rollout 奖励一致时信号消失的缺陷。
推荐理由：该方法在 rollout 组奖励一致、RLVR 失去信号的场景下仍能从轨迹中提取学习信号，为奖励稀疏的长程智能体训练提供可迁移思路。
RGPO 框架将真实 Rationale 作为临时支架，自适应辅助大语言模型强化学习训练，以缓解奖励稀疏问题。该方法在纯文本与视觉-语言推理任务中均优于 RLVR 基线，且不要求离线数据与 RL 任务格式匹配，为推理模型训练提供了一种通用方案。
该研究通过策略识别、Markov 规则遵循与高阶序列依赖的受控实验，揭示了大语言模型在识别策略与忠实模拟之间存在显著差距：更长上下文未必带来帮助，且匹配的动作分布可能掩盖根本错误的生成机制。这些发现对将大语言模型作为行为模拟器和交互式智能体的评估方式提出了挑战。论文见 https://arxiv.org/abs/2610.04977
推荐理由：原文用受控实验区分识别策略与忠实模拟，指出更长上下文未必有效，并提示现有评测可能高估大语言模型的序列行为能力。
论文提出 Belief-Trajectory Energy（BTE），通过量化大语言模型逐层预测修订来刻画输入对模型内部信念的影响，并以 Fisher-Rao 几何给出理论解释。
推荐理由：原文给出了一个可在不同任务间迁移的层间轨迹度量框架，读者可以据此判断它在模型可解释性或数据筛选中的可用场景。
该工作提出 R-Quest，通过问题有效性判断和基于冻结基模型的成对新颖性反馈来指导自进化训练，在数学推理、通用推理与代码生成的 12 个基准上取得最高平均分，覆盖两种模型家族；该方法在 10 轮自进化中保持稳定提升，最终一轮比 R-Zero 高 17.32 分。
推荐理由：论文拆解了自进化推理模型训练崩塌的两个机制原因，并给出可迁移的问题过滤与新颖性反馈方案，对自训练稳定性设计有参考价值。
前 Google DeepMind AlphaGo 团队核心成员 Thore Graepel 撰文称，当前大语言模型并不具备真正的推理能力，并解释他近期离开 DeepMind 是为寻找借鉴 AlphaGo 架构的新机器推理路径。本期还汇总 OpenAI 自主智能体疑似波及逾 100 家组织、Yann LeCun 关于智能体失控的评论，以及生物逆龄竞赛、Nvidia 芯片走私等其他当日科技要闻。
推荐理由：前 DeepMind AlphaGo 团队成员发文质疑大语言模型缺乏真正的推理能力，为讨论当前模型智能边界提供一个来自一线研究者的对照视角。
OpenAI 在 NVIDIA Blackwell GPU 上推出 GPT-6 Astra Ultrafast 模式，借助推理优化使 token 生成速度比 Astra Standard 模式最高提升 8 倍，现已在 OpenAI API 及符合条件的 ChatGPT Work 和 Codex 用户中开放。
推荐理由：OpenAI 借助 NVIDIA Blackwell 架构与自研模型优化，将 GPT-6 Astra 推理速度提升至最多 8 倍，呈现了软硬件协同迭代的具体做法。
谷歌发布 Gemini 4 Argon 旗舰模型，搭载 RSI，在 DeepSWE v1.1（77.4%）、CWE-bench v1（68%）、Vals Index（68.90%）等基准上领先 Claude Opus 5.5 和 GPT-6 Astra，并在 Code Arena 排第八。
推荐理由：文章集中给出 Gemini 4 Argon 与 Opus 5.5、GPT-6 Astra 在 DeepSWE、CWE-bench、Text Arena 等基准上的横向对照和价格差异，读者可据此定位它在前沿模型梯队中的相对位置。
Google DeepMind 发布新一代前沿模型 Gemini 4 Argon，主打长链路推理与企业级工作流，覆盖复杂软件工程、法律与金融知识工作以及网络安全防御。
同一件事，精选收录的是《谷歌发布 Gemini 4 Argon：搭载 RSI，基准成绩领先 Opus 5.5 和 GPT-6》
研究提出选择式结构化推理（SSR）框架，将多模态搜索智能体的推理从开放式生成改为从预定义自然语言候选中选取，以降低小模型开销。在 2B 和 4B 模型、七个多模态搜索基准上，SSR 结合监督微调与多种强化学习目标，在任务成功率与同规模领先搜索智能体相当的同时，将单轮推理延迟降低超过 90%，整体每题模型推理延迟降低 28-54%。
研究提出 STAIR（Stale-Token Attention for Inter-query Reuse）方法，通过复用先前回答中的 key-value 帮助 LLM 提升后续问题准确率。该方法保持基础模型冻结，仅训练 12,288 个参数；在三个 Qwen 模型和四个 benchmark 上，将带历史的后续轮次平均准确率最高提升 11.67 个百分点。
xAI 的 Grok 4.7 在 Amazon Bedrock 上线，提供 500K token 上下文与 low、medium、high、xhigh 四档可配置推理强度。
推荐理由：原文给出 Grok 4.7 在 Bedrock 上的 500K 上下文、四档推理设置，并附带 Artificial Analysis 对比 Grok 4.6 的评测数据。
研究者提出并行幂次回火（PPT）采样方法，通过并行运行不同锐化强度的多个副本缓解幂次采样中的探索-利用矛盾。实验表明 PPT 显著优于单链幂次采样与强化学习后训练模型，产生的推理轨迹质量更优，部分任务上性能可媲美前沿模型。
MemFold 提出固定预算软记忆方案，将查询条件化的文本记忆压缩为 K 个连续向量作为 reader 的记忆接口，并通过组相对奖励与置信度门控的在线策略蒸馏在 reader 自身 rollouts 上训练；冻结的文本记忆教师仅对采样 token 重打分，不做自回归解码，推理时完全移除。
E-MoE 提出将扩散语言模型的反向过程构建为基于 MoE 专家路由离散共享隐变量的因子化分布混合，以避免高斯潜变量方法的后验坍缩问题。在合成多模态基准、二值化 MNIST 和 LM1B 上的实验中，E-MoE 在少步生成场景下优于因子化基线，且相较该基线未增加激活参数。
Anthropic 发布 Claude Opus 5.5，能力接近 Claude Fable 5.1，运行成本比 Opus 5 低 40%，输出速度提升超 30%。
推荐理由：Anthropic 在能力接近 Fable 5.1 的同时把 Opus 5.5 的运行成本压低 40%，并附上编码、知识工作与对齐的多项基准对比。
Google DeepMind 发布两款语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化与成本效率、以及高复杂度任务与多步推理。
推荐理由：两款模型分别面向规模化部署与高复杂度语音推理，附带多项基准成绩与上线渠道，便于横向评估它在对话语音赛道的位置。
OpenAI 发布面向企业的 GPT-6 Astra 模型，主打高级推理、计算机操作以及更强的写作与设计判断能力。
OpenAI 公布了对纳维–斯托克斯千禧年数学难题的 AI 生成解答，并附完整论述与 Lean 形式化证明。原文仅提供 feed 摘要，更多内容见 https://openai.com/index/navier-stokes-solution 。
推荐理由：OpenAI 给出千禧年数学难题的形式化解答与 Lean 验证，让读者可独立核查这一数学宣称的可信度。
Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber 两款新模型，分别面向通用推理编码与网络安全防御。
推荐理由：同一价位下编码与推理能力相对前代明显提升，且同步给出安全专用版的基准与开放范围，读者可据此做选型对照。
DeepSeek 发布 V4 系列首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，在 V4-Flash 架构上加入视觉模块继续训练。
推荐理由：仓库同时给出与 Opus-4.8 的多模态 Agent 基准对比和开源推理实现，读者可据此判断它在 V4 系列里的相对位置。
IBM 发布 Granite 4.2 推理模型系列，提供 3B/8B/30B 三种 dense decoder-only 规格，以 Apache 2.0 开源。
推荐理由：详细拆解了 Granite 4.2 的架构与多阶段 RL 训练流程，包含 GRPO 异步训练和真实环境智能体 RL 设计，可作为开源推理模型训练方法参考。
智谱发布开源模型 GLM-5.3，与 GLM-5.2 共享基座，全部增益来自后训练。在自研 Z.ai Code Bench 上较 GLM-5.2 提升 50%，并在 Terminal Bench 3.0、Agents' Last Exam、CyberGym 取得开源 SOTA。
推荐理由：在同一份基准表中与八款模型横向打分，并附详细评测参数与防作弊设置，便于直接复现同口径对比。
智谱发布开源模型 GLM-5.3，能力提升全部来自对 GLM-5.2 的后训练，底层基础模型未变；自研 Z.ai Code Bench 较 GLM-5.2 提升 50%，Terminal Bench 3.0 和 Agents' Last Exam 取得开源 SOTA，CyberGym 漏洞发现达到 SOTA，漏洞利用类基准较 GLM-5.2 翻倍以上。
推荐理由：原文列出了 GLM-5.3 在十余项编码与 Agent 基准上与闭源、开源模型的逐项分数，可作为评估开源前沿模型能力的对照参考。
千问（Qwen）在 Hugging Face 开源 Qwen3.8-Flash-Next 的 FP8 量化权重，称其为 Qwen4 架构的实验性预览版本。该模型总参数 125B、激活 6B，并附带 51B n-gram embedding 与 4B MTP，原生 262,144 tokens 上下文可通过 YaRN 扩展至 1,000,000 tokens。
推荐理由：作为 Qwen4 架构的实验预览，文中给出的稀疏注意力与 N-gram 嵌入设计可与既有 MoE 路线横向对照。
DeepSeek 正式发布 DeepSeek-V4-Pro 0813，在预览版基础上挂载 DSpark 推测解码模块，重点强化智能体能力。该模型在 HLE 上得分 42.7/60.0（无工具/有工具），Terminal Bench 2.1 达 87.9，DeepSWE 62.7。
推荐理由：正文给出与同代模型的基准对比和 vLLM/SGLang 部署方式，读者可直接评估其相对位置并复现推理流程。
Meta 推出多模态推理模型 Muse Spark 1.1，在工具调用、计算机使用、编码和多模态理解上较前代有大幅改进，支持 1M token 上下文管理，可作为主智能体调度子智能体优化延迟。开发者可通过公开预览的 Meta Model API 接入该模型，同时它在 Meta AI 应用和 meta.ai 以 Thinking 模式上线。
推荐理由：原文逐项给出 Agent、Computer Use、编码、多模态的改进点，配合 Meta Model API 公开预览，读者可直接对照工作流判断适配度。
智谱发布开源旗舰模型 GLM-5.2，主打 1M 上下文长程任务能力，并以 MIT 协议无地区限制开源。模型引入 IndexShare 稀疏注意力架构在 1M 上下文下将每 token FLOPs 减少 2.9 倍，并提供多档思考强度平衡性能与延迟；基准覆盖 HLE、SWE-bench Pro、MCP-Atlas、Terminal-Bench 2.1 等推理、代码与 Agentic 任务。
推荐理由：原文同时给出 1M 上下文、IndexShare 架构细节和与多款前沿模型的横向基准分数，读者可以据此评估 GLM-5.2 在长程任务上的相对位置。
月之暗面（Kimi）发布开源原生多模态智能体模型 Kimi K3，总参数 2.8T、激活 104B，原生支持文本、图像与视频，配备 1M token 上下文窗口。
推荐理由：Kimi K3 以 2.8T 参数和原生多模态设计开放权重，并在推理、编码与智能体多项基准上与 Claude Fable 5、GPT-5.6 Sol 等前沿模型直接对比，读者可据此查看其相对位置。
StepFun 发布 198B 参数稀疏 MoE 视觉语言模型 Step 3.7 Flash，每 token 激活约 11B 参数，吞吐量最高 400 tokens/s，支持 256k 上下文窗口与低/中/高三档推理强度。
推荐理由：原文说明了该 198B MoE 模型针对高频生产与智能体工作流的定位，以及通过三档推理强度平衡成本与速度的设计取舍。
Kimi K2.6 开源发布，定位原生多模态智能体模型，重点强化长程编码、代码驱动的界面设计与 Agent Swarm 多智能体编排能力。模型采用 MoE 架构，总参数 1T、激活参数 32B、上下文长度 256K，可横向扩展至 300 个子智能体执行 4000 步协同任务，并在单次自主运行中产出文档、网页、表格等端到端结果。
推荐理由：原文给出 K2.6 与 GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro 在 Agentic、编码、推理、视觉四类基准的多维对比，可作为开源前沿模型与闭源旗舰能力差距的一手参考。
Meta Superintelligence Labs 发布 Muse Spark 模型，原生多模态推理，支持工具调用、视觉思维链和多智能体编排。其 Contemplating 模式通过多智能体并行推理，在 Humanity's Last Exam 上达到 58%、FrontierScience Research 38%。
推荐理由：Muse Spark 在预训练效率和多智能体推理上给出了具体数字，可以与 Llama 4 Maverick 及同类推理模型横向比较。
阶跃（StepFun）开源 Step 3.5 Flash 基座模型，总参数 196.81B，每 token 激活约 11B，采用稀疏 MoE 与 3-way Multi-Token Prediction（MTP-3）。
推荐理由：原文给出了 11B 激活参数下的稀疏 MoE 设计与多模型基准对比，可用于评估开放模型的推理与 Agent 能力边界。
Moonshot AI 发布开源原生多模态智能体模型 Kimi K2.5，基于 Kimi-K2-Base 用约 15T 视觉和文本混合 token 继续预训练，支持即时与思考双模式及 Agent Swarm 协同执行。
推荐理由：原文给出 1T/32B MoE 架构与 256K 上下文的多模态智能体能力，并附与 GPT-5.2、Claude 4.5 Opus、Gemini 3 Pro 的横评。
Kimi K2 Thinking 是月之暗面（Moonshot AI）发布的开源思考模型，采用 MoE 架构，总参数 1T、激活 32B，原生支持 256k 上下文与 INT4 量化推理。
推荐理由：给出了K2 Thinking在推理、Agent搜索和代码任务上与GPT-5等多款主流模型的对照成绩，便于横向比较当前开源思考模型的水平。
xAI 发布 Grok 4 Fast 模型，主打成本高效推理，支持 2M token 上下文窗口，并采用统一架构在同一权重下切换推理与非推理模式。官方称其在 GPQA Diamond、AIME 2025、HMMT 2025 等基准上接近 Grok 4，平均思考 token 减少 40%，达成同等性能的价格下降 98%。
推荐理由：xAI 公开了 Grok 4 Fast 在多推理与搜索基准上的成绩和定价，读者可直接拿来对比 Grok 4、GPT-5 等模型的性价比。
xAI 发布 Grok 4 与 Grok 4 Heavy，号称全球最智能模型，集成原生工具调用与实时搜索，已向 SuperGrok 和 Premium+ 订阅用户开放，并通过 xAI API 提供。
推荐理由：原文披露了在 200K GPU 集群上扩展强化学习的训练路径，并给出多个基准成绩，可作为对比前沿模型推理能力的参考。
xAI 发布 Grok 3 Beta 与 Grok 3 mini，主打基于大规模强化学习的推理能力，Grok 3 (Think) 在 AIME 2025 上达到 93.3%（cons@64）、GPQA 84.6%、LiveCodeBench 79.4%，Chatbot Arena Elo 1402，支持 1M token 上下文窗口。
推荐理由：读者可据此对比 Grok 3 与 Gemini 2.0、DeepSeek-V3 等模型在数学、代码与知识任务上的实测差距。