AdaExploreBench 是一个面向 LLM 智能体的新基准，要求智能体主动发现隐藏规则并适应未宣告的规则变化。在八款主流大语言模型上的实验显示，GPT-6 Sol 仅取得 61.9% 校准准确率，提供充分证据或移除规则漂移可使平均性能提升约 10 个百分点，表明当前模型的关键瓶颈在于主动获取证据和识别失效知识。
推荐理由：针对智能体在演化环境中的主动探索与隐式规则变化下的适应能力，该基准在八款主流大语言模型上量化了能力差距，并指出了关键瓶颈。
Latent Space 发布 10/16/2026 至 10/19/2026 的 AI 新闻汇总，覆盖模型、评测、安全、研究、基础设施与政策动态。
OpenVLHarness 通过整合持久多模态记忆、异构工具接口与编码执行层，让 MLLM 在推理中可调用外部工具并跨步骤组合视觉证据。
推荐理由：在 22 个基准上对照有无工具与记忆配置下的增益与 token 成本，为视觉智能体方案评估提供统一参照。
疑似 DeepSeek 员工在群聊中讨论 DeepSWE 得分与模型游戏能力，相关截图随后在 AI 圈传播。文章将 DeepSWE 解释为衡量 AI 编程智能体解决真实代码库问题的基准，并围绕 MoE、MLA、RL、人才组织与商业化分析 DeepSeek 的竞争路线。正文仅称截图疑似流出，关于团队文化及 GLM、Kimi 战略的对比属于作者判断，未给出独立核实信息。
推荐理由：把一组疑似内部群聊与 DeepSeek 的技术路线、人才培养和商业化选择并置，提供观察其团队文化的多角度样本。
Anthropic 据知情人士透露正准备发布新款模型，其推理与直觉能力据称优于目前市面上的同类产品。原文称该模型擅长判断用户的深层意图和目标，即使用户提供的信息不多，也更倾向于跳出常规思路而非给出常识性建议。消息经新浪财经转述，原文未披露模型名称、版本或具体上线时间。
推荐理由：转述了 Anthropic 正在筹备新款推理模型的传闻，让读者了解其在深层意图判断与跳出常规思路上可能的产品侧重。
RLSplat 提出资源线性预算可控的前馈 3D Gaussian Splatting 框架，使表示规模、推理延迟和峰值内存随高斯预算降低而线性下降。框架学习区域分配策略，恰好生成指定数量的高斯，并通过高效分层邻居搜索让每个高斯只关注邻近高斯，取代先密集预测再剪枝或筛选的路径。
推荐理由：论文将高斯预算按局部区域分配，并用局部注意力完成解码，提供了让资源开销随高斯数量线性下降的实现思路。
Ask-to-Distill 提出一种无需参考答案、正确性奖励或逐候选学生更新的合成问题优化框架，用于在策略蒸馏。它以冻结的师生模型组合计算问题价值，在数学推理、代码生成和智能体任务上提升平均表现及师生差距恢复效果，并在评测设置中达到或超过真实题库 OPD。代码、数据和模型已公开：https://github.com/GasolSun36/Ask_to_Distill。
推荐理由：论文提出在无参考答案时按蒸馏信号价值优化合成问题，并比较其在推理、编码和智能体任务中的效果。
MiniMax 发布推理模型 M3.1 Flash，在 Artificial Analysis Intelligence Index 上得 42 分，较前代 M3 提高 13 分，单任务成本降至约 0.22 美元，不到前代的一半。
同一件事，精选收录的是《MiniMax 发布 M3.1 Flash，Agent 评测居国模第一且综合成本降至前代 30%》
腾讯混元 Frontier 团队发布 Terminal-RSI 论文，以阿里 Qwen3.8-27B 为基座，通过 RSR（递归自我重写）与 RPR（递归策略精炼）两段循环训练。
同一件事，精选收录的是《Terminal-RSI：通过递归自改写与策略优化提升终端智能体》
陶哲轩联合Peter Scholze、邓煜等25位菲尔兹奖得主发布联名公开信，呼吁数学界集体抵制OpenAI把千禧难题当作模型性能benchmark刷榜。
RouteWeaver 提出统一 LLM 路由框架，在单一策略中联合学习路由模式选择与模式内模型执行。其 COMET-GRPO 将轨迹级优势拆分为两类决策信号，并通过渐进式探索从外部指定模式过渡到自主选择。该框架在数学、编码、知识、逻辑推理和事实召回五类任务上取得平均 61.4% 准确率，较最强基线相对提升 11.03%。
推荐理由：论文将路由模式选择与模式内模型执行纳入同一策略，并提供分阶段训练方法，便于对照既有 LLM 路由方案理解适配思路。
该研究提出 Draft Refinement Language Models（DRLMs），以生成完整草稿并迭代修订的方式实现并行推理，而非逐 token 生成或遵循扩散模型的反向过程。
推荐理由：论文展示了用单一去噪器并行修订并评估完整草稿的方法，无需独立验证或评分模型即可筛选候选结果。
Heartbeat Thinking 让实时语音智能体在聆听更新时持续准备工具调用，并在 FDBench v3 上将工具覆盖率提高 16 个百分点、平均最终响应延迟降低 36.4%。
推荐理由：论文将 Heartbeat Thinking 与窗口式基线对比，并报告工具覆盖率、检索复用和响应延迟的变化。
GRSE 提出 Group-Relative Skill Evolution，通过在相同技能库下重复执行问题并比较结果，为智能体与技能组合分配行为信用并诊断失败。
推荐理由：GRSE 以重复执行间的相对比较完成智能体与技能归因，论文同时报告了相对 MASkills 的多跳推理增益和有害技能恢复结果。
SpecKCast 提出无需训练的扩散模型推理加速方法，以 2D DCT 分解输出，并用逐频带 Kalman 滤波和自适应步长调度预测跳步结果。在 FLUX.1-dev、Qwen-Image、Wan2.1-14B 和 HunyuanVideo 上，该方法最高实现 6x 加速，额外内存低于 0.05 GiB，较现有缓存和预测方法呈现更好的加速与保真度权衡。
推荐理由：论文将频域分带 Kalman 预测与不确定性触发的自适应跳步结合，为扩散模型缓存优化提供了一种可迁移的方法。
StartLux（原点星辉）推出的StartLux-Decision-v1.1-27B Instant以69.1分登顶Hugging Face Decision Index 0.3.2榜单全球第一，在173项公开复现模型中领先第二名近3分，也是榜单中唯一突破69分的模型。该公司在9月底发布首代模型后仅用十余天迭代出v1.1版本，刷新全球决策模型最佳成绩。
推荐理由：中国创业公司在国际权威榜单上登顶，展示了决策模型方向的快速迭代能力，可作为行业基准跟踪参考。
Épi 是一种跨模型会话持续研究，并通过累积经验改进方法的自主研究智能体。它结合持久研究历史、分层记忆、分支探索、独立审查和固定验证器；论文报告 Épi 产出 120 项纪录结果，包括将 n-queens 常数区间收窄约 84 倍。
推荐理由：论文将持久研究历史、分层记忆、分支探索与固定验证器组合用于自主研究智能体，并提供数学结果和 FrontierOR 对比数据，可用于评估研究延续性与成本效率。
Anthropic披露，Claude用不到半小时查明了五条NIST标准椭圆曲线（P-192、P-224、P-256、P-384、P-521）种子的生成方式。
推荐理由：原文展示 Claude 逆向推演 NIST 椭圆曲线种子生成方式的思路，可作为观察大模型在密码学领域推理能力的参考。
OpenAI 9 月初公布 166 页纳维-斯托克斯潜在证明并称沿用 Diego Córdoba 与 Luis Martínez-Zoroa 的思路，遭到多位数学家公开质疑。
推荐理由：原文汇集了数学共同体对 OpenAI 纳维-斯托克斯证明以及多智能体贡献的质疑，读者可在一篇里对照主张方与反驳方的具体说法。
Jev 决策模型控制器使 Claude Sonnet 5.5 终端智能体每次尝试成本增加 19%，通过率与无控制器基线同为 73.0%。在 Terminal-Bench 2.1 的 21 个留出任务、315 次试验中，Jev 的成本比 Claude Haiku 5.5 控制器低 19%，但比采样开发阶段选择频率的安慰剂控制器高 22%，未检测到组间通过率差异。
推荐理由：研究固定智能体循环并比较无控制器、规则、小型 LLM 与 Jev，量化了决策信号排序与实际干预效果之间的落差。
ECHO 将多时间跨度预测直接集成到模型主干，以因果自递归和动态深度采样替代辅助模块，分别改善预训练效率与推理草稿生成。其最终层预测所有跨度，DDS 以随深度衰减的概率选择训练深度，使预训练模型能够充当自身草稿器。论文称，相较于训练所有深度的 MTP，额外训练开销减半，且优势在 token 预算加倍、重复预训练和监督微调后仍存在。
推荐理由：论文将多步预测从辅助模块移入主干，并通过 DDS 控制深度成本，便于比较其与 MTP 的训练效率。
Anthropic 在 2026 年 10 月发布的文章介绍，Claude 通过推理发现 NIST ECDSA 曲线 P-192、P-224、P-256、P-384 和 P-521 的种子均来自 C 库的 lrand48 随机数生成器，并由 1997 年 5 月至 1998 年 4 月之间的 Unix 时间戳初始化，并非此前猜测的哈希算法。
同一件事，精选收录的是《Claude 半小时破解 NIST 椭圆曲线 20 年种子悬案》
Claude Mythos 5 在 8 类量子电路任务上给出优于 SOTA 的新方案，部分用例中 qubit 与 gate 数同时显著下降，整体提升超过一个数量级。
推荐理由：用 Claude 在八类量子电路设计任务上得出优于 SOTA 的方案，给出了 AI 参与受限科学推理的可迁移闭环流程。
Elorian 发布首个模型 Glimpse，主打在推理过程中持续回到图像本身做裁切、取帧和执行代码，官方称这一机制为视觉草稿空间。该模型作为研究预览开放 API，聊天界面需申请使用，按官方评测在科学图表推理和短视频描述上结果优于 GPT-6 Astra，输入价格 $0.60/M tokens、输出 $3/M tokens。
推荐理由：原文给出 Glimpse 的视觉草稿空间机制以及与 GPT-6 Astra 等模型的对比数据，便于理解视觉推理与传统多模态模型的差别。
一篇发表于 Wiley 旗下期刊（DOI 10.1002/aaai.70113）的学术论文，探讨如何让快速直觉式的大语言模型展现出需要深思熟虑的推理能力。该论文被分享至 Hacker News 后获得 35 分和 19 条评论。
MJev-Spatial 把三类空间推理任务统一为单次前向分类，免去自回归解码生成的答案 token。它基于 Qwen3.5-4B、用 1230 万问答对训练，整体得分 65.64%，在 12 项基准中拿下 7 项第一，推理速度达自回归基线的 5.6 倍。
推荐理由：把空间推理统一为单次前向分类，免去答案 token 的解码开销，在 12 项基准中拿下 7 项第一，可作为高效多模态推理的参考方案。
Mosaic 提出多会话智能体强化学习方法与 critic-free 分层优化，在 BrowseComp 上以 Qwen3.5-4B 验证，在 context compaction 与 subagent forking 两类场景下均优于广播基线，且平均使用更少会话。其轨迹级融合会话使用信号、会话级按边际贡献调整优势的机制被视为后续多会话智能体 RL 的潜力方向。
MLExpert 是一个 35B 的 MoE 智能体模型，通过分层智能体 SFT 和 Windowed Interaction RL（WIRL）进行后训练，用于自主完成长链路机器学习工程工作流。
推荐理由：原文给出了分层 SFT 与 WIRL 后训练方法及在 MLE-Bench Lite 上的具体成绩，可作为评估自主机器学习工程智能体的参照。
Waypoint-OPD 通过门控教师早晚期策略变化的方向一致性来改进从强化学习教师到学生的策略迁移蒸馏，在数学和代码推理六个领域-学生设置上均取得最高领域平均分。该方法以 Qwen3-4B 为教师、Qwen3-8B/14B/30B-A3B 为学生，相比仅用端点策略变化只需额外一次冻结教师打分；消融显示移除或打乱门控会降低数学推理表现。论文地址：arxiv.org/abs/2610.21601。
推荐理由：原文提出按教师早晚期策略变化的方向一致性来门控策略迁移蒸馏，为相关蒸馏改进提供了一种可复用思路。
在 730M 参数、336B token 训练预算下，Huginn 循环语言模型架构在全部十个基准上优于 Ouro；这一优势可迁移到 8BA0.8B（展开 32BA3B）的 MoE 设置，仍在知识、推理与编码基准上几乎全面领先。
推荐理由：论文按拓扑、输入注入与循环状态三条设计轴拆解循环语言模型，在 730M 与 MoE 两组设置下对比 Huginn 与 Ouro 的实际表现，并给出可迁移的设计取舍。
DLite 提出一种面向智能体 AI 的无历史投机解码框架，在通用、长上下文和智能体工作负载下达到 2–6 的接受长度，相对 DSpark 最高提升 70%。该方法直接复用目标模型的上下文隐藏状态进行局部投机预测，配合轻量级序列头恢复块内因果依赖，并采用专门的两阶段训练策略；原文同时指出智能体负载下现有 draft 模型接受长度最高下降 80%。
推荐理由：原文给出在智能体长上下文场景下 speculative decoding 的实测对比与训练策略，读者可据此评估相对 DSpark 的收益。
TreeOPSD 提出无 critic 的树感知后验自蒸馏框架，将每步交互视为树节点，从共享前缀分叉并递归回传末端奖励以获得隐式 turn 级信用。
推荐理由：它给出了一种不使用价值网络或更强教师模型的长程 agentic 强化学习路径，对降低训练复杂度和工程门槛有参考价值。
GPT-6-Astra 在 OpenAI Codex 环境中跑 TheoPhysEval 基准，50 道题解对 49 道，准确率 98%，平均每题不到 3 美元、整轮约 116 美元。
推荐理由：这份基准在同一组 50 道理论物理任务上对齐了主流智能体的准确率与单位成本，读者可据此评估现有模型承接科研常规计算的实用边界。
论文针对可验证指令跟随基准在强化学习中引发的奖励作弊问题，提出 CALIF 方法，将验证器奖励与基于冻结参考策略的校准似然奖励相加，无需额外评判器或学习得到的奖励模型。在 1.7B 到 8B 规模的推理与非推理模型上，CALIF 在 IFBench 上提升约束满足率并把响应质量维持在与 RL 前相当或更高的水平，在三个评分式指令跟随基准的 45 项模型-指标对比中有 40 项优于对应基座策略。
推荐理由：针对可验证指令跟随基准中的奖励作弊现象，给出一种在不引入额外奖励模型的前提下兼顾约束满足与响应质量的训练方法。
瑞士 Swiss AI 团队的 Project Apertus 发布 Apertus 1.5，包含 8B 与 70B 双尺寸，权重以 Apache 2.0 协议开源并托管到 Hugging Face。
推荐理由：原文给出与 Gemma 4 12B、GPT-OSS-20B 等开源模型的评测对比，读者可以据此判断这套开源多模态模型在当前生态中的相对位置。
RuleTrek 是面向复杂场景下智能体规则推理的多领域基准，评估大语言模型在规则识别、规则推导和端到端推理三项能力上的表现。其构建流程从材料中提取结构化规则图，并增量组合规则子场景以保证一致性与可解性。
推荐理由：给出了11个前沿大语言模型在规则识别、推导和端到端推理上的具体分数，可用作当前水平的参考。
CriticOPD 提出一种批评引导的 On-Policy 蒸馏方法，让教师用参考答案批评学生错误续写，学生据此重写后续内容，再由教师对重写后的后缀打分而学生不直接看到反馈。该方法在六个数学推理基准上比 OPD 平均准确率提升 4.57 个百分点（Qwen3-1.7B）和 4.06 个百分点（Qwen3-0.6B），竞赛题上增益最大。
推荐理由：原文指出 on-policy 蒸馏中教师跟随学生错误解的机制问题，并给出可复现的批评改写流程与基准提升幅度。
Liquid AI 发布 LFM2.5-24B-A2B 推理模型，主打端侧与 GPU 上的高速 agent 推理。
同一件事，精选收录的是《LiquidAI发布端侧推理模型LFM2.5-24B-A2B，主打本地智能体》
延长推理模型的思考时间，会让多数受测的开放推理模型以及 GPT-5 按逻辑字面理解 some（并非所有）与 or（并非两者），取消相关语用推断。研究固定模型权重，只改变思考时长，并在多个阶段截取推理轨迹，以定位解释变化。轨迹显示模型先考虑扩展解释再将其取消；从早期推理阶段作答这一探索性方法可恢复相关语用推断，且不损失字面准确率，间接回答等语境推断也有所改善。
推荐理由：论文固定模型权重并改变思考时长，再分阶段截取推理轨迹，拆解模型处理日常语用推断的机制，便于理解推理深度与语义解释之间的关系。
ACT3D 通过强化学习训练视觉语言模型从单张第一人称视角主动探索 3D 环境，以最终答案正确性作为奖励信号，无需对探索路径做直接监督。在六个 3D 基准上平均准确率达 53.2%，相对基座 Qwen 模型提升 22.0%、超过 Gemini 3.6 Flash，输入帧数比现有开源 3D 方法少 50-70%，并在未见过的领域平均提升 5.9%。
推荐理由：原文给出基于结果奖励的强化学习方法，让 VLM 学会在 3D 环境中自适应探索，可作为视觉问答主动感知范式的参考。