技术方向
让大模型先想再答的能力：思维链、推理模型，数学与逻辑评测上的突破和争议。
214 条精选近 30 天 181 条共收录 261 条
RynnUnify 是一种 16B 统一具身模型，通过视频—语言交错推理整合视觉规划、物理推理与机器人控制，并形成智能体扩展与世界—动作扩展。实验显示，其具身理解平均分在所评估的统一多模态模型中最高，Rynn-VP 总体分较 Cosmos 3 Nano 高 9.75 分，智能体扩展使 Rynn-GEU 平均分较直接推理高 6.0 分。
推荐理由：RynnUnify 将具身理解、长程视觉规划与机器人控制纳入同一16B模型，并以基准和真实机器人任务检验各扩展模块。
Principia 是一个基于大语言模型的框架，可在测试时从相关输入及其观测结果构建因果假设，并持续合成和修订科学原理。它将归纳出的原理用于任务以获得新观测，再依据新观测修订假设并重建原理，形成持续迭代的发现流程。
推荐理由：Principia 在四类科学任务上与依赖内部知识、外部来源和经验总结的基线进行了比较，展示测试时构建科学原理的效果。
论文提出测试时记忆演化（TTME），在科学发现任务中以更低计算成本超过测试时训练（TTT）。该方法持续更新外部记忆并蒸馏经验以指导后续发现，不更新模型权重。在同一发现框架下仅替换适配方法的评测中，TTME 在五项数学任务上均胜过 TTT，FLOPs 降低 82.8-84.6%，运行时开销降低 47.7-58.4%。
推荐理由：统一发现框架下仅替换测试时适配方法，五项数学任务的对照结果量化了 TTME 相对 TTT 的性能与计算效率差异。
OpenAI 已向所有客户开放 Decisions API 决策模型，并在公开版本中加入语音和视觉模态。该模型由 ChatGPT Luna 重新配置以加快推理、降低成本，处理延迟由 1–3 seconds 降至 100、120、180 milliseconds。
推荐理由：文章同时给出 Decisions API 的延迟数据、客户试用结果和榜单位置，便于比较其速度、成本与决策能力。
论文提出 DeepEvolve，一种以未来事件预测为基础、在动态开放环境中持续实现递归自我改进的智能体系统。它在按周更新、以真实世界结果验证预测的 FutureX 榜单中连续 3 周位居所有系统第一，评分最高提升 195%。在合成评测中，它在 4 个基础 LLM 上均进入前三，较最强基线最高领先 10.7 Bradley--Terry points。
推荐理由：论文把开放环境中的递归进化机制与 FutureX 榜单及合成评测结果对应呈现，便于比较其设计思路和量化表现。
SpatialBrain 提出一种分离场景证据与推理经验的空间推理框架，在保持视觉语言骨干网络固定的同时提升空间推理能力。3DFusionMemory 将当前场景观测融合为可查询的空间关系，Spatial Skill Library 提供可复用的工具流程，Spatial Cognition 关联任务条件与使用记忆和技能的经验。
推荐理由：论文将场景证据与推理经验分离，并在固定视觉语言骨干网络下对比直接回答，为空间推理系统积累和复用经验提供了具体路径。
WorldTUI 将 Qwen2.5-Coder-0.5B 微调为约 360M 参数的终端世界模型，接收原始按键并预测屏幕行与光标变化，背后没有真实 shell 或文件系统。
推荐理由：文章拆解了真实终端数据构造、模型错误修正和屏幕行并行解码的实现路径，并给出 ShellBench、记忆测试与浏览器延迟数据。
ALLOT 是一种免训练方法，可在延迟预算下按层与去噪步骤分配视频扩散 Transformer 的块稀疏注意力密度，以最大化输出保真度。该方法通过 cell probing 和 trajectory calibration 估计各层与步骤组合对最终视频误差的贡献，并保留现有选择策略和 kernel，仅替换分配组件。
推荐理由：论文将块稀疏注意力的分配从启发式规则转为输出敏感度驱动，并说明如何仅替换分配组件接入现有策略与 kernel。
一项对开放模型训练历程的研究发现，推理模型中的 {wait} 标记可由训练数据继承，而非由强化学习（RL）自行发明。在缺少该词的基座上，RL 显著提升 MATH-500 准确率时，{wait} 仍接近缺席；该词会在 OLMo-3 的中期训练阶段出现，并能由推理轨迹微调植入大多数缺少该词的基座。
推荐理由：论文区分了 {wait} 的训练继承与特定 RL 配方的放大作用，并指出标记频率和 LLM 评审可能误判推理趋势。
掩码扩散语言模型的受控研究发现，轨迹收缩标签结合置信度与隐藏状态，可形成更优的解掩码策略。低 NFE 下，仅把与最终输出一致的预测标为可提交过于宽松；约 10% 的 NFE 降幅已可抵消最高 7.5M 参数策略的开销。
推荐理由：论文通过受控实验拆解解掩码监督标签与输入特征，为设计兼顾准确率、吞吐量与 NFE 的解掩码策略提供依据。
R²Orch提出递归自博弈智能体编排范式，以可学习的任务选择和技能撤回训练编排器，无需人工设计课程。内层自博弈在自选任务上改进编排器，外层循环借助 Recursive Learnability 目标与技能撤回继续改进学习过程。在十二个数据集的问答、数学、代码和交互任务上，R²Orch均优于基线，代码见 https://github.com/beita6969/R2Orch。
推荐理由：R²Orch将任务选择、技能撤回与双层递归自博弈组成闭环，呈现了应对人工课程和优势坍塌的训练设计。
Lafa 将连续流语言模型扩展至 8B 参数，对前缀采用因果注意力，并在块内使用双向异步流，实现高效训练与快速并行推理。论文在 0.5B、7B 和 8B 规模上使用少于 30B tokens 训练，并在指令遵循、推理和编码评测中达到或超过自回归（AR）模型的质量。Lafa 还可蒸馏为支持单步和少步生成的流映射，并通过自推测解码在可比质量下达到 AR 模型 2.54x 的吞吐量。
推荐理由：论文把连续流语言模型扩展到 8B，并给出训练数据量、生成质量和吞吐量对比，便于评估这条技术路线的取舍。
Microsoft Research 研究人员 Xinzhi Zhang 与合作者 Zhao Song 证明 Kannan–Lovász–Simonovits（KLS）猜想，确立了简单平面切割能在与维度无关的固定因子内捕捉对数凹分布最窄瓶颈的原则。
推荐理由：文章详细拆解研究者引导 AI 探索约百条轨迹、筛选候选方向并通过递归改进完成证明的人机协作研究流程与关键环节。
该研究提出 DecisionPivot 诊断基准，用于评估 LLM 系统中决策模型在受控变化下的表现。它包含 48 项任务和 40,033 个条目，覆盖 7 类决策角色，并评估了 40 个决策模型和 14 个通用模型。实验中，两个 27B 模型在参考轨的聚合得分仅差 2.6 分，但对比组准确率分别为 70.1% 和 44.2%，显示总分无法完整反映模型的决策表现。
推荐理由：该基准把对比组表现、校准与推理投入拆开评估，可用于识别总分相近模型在决策正确性和高置信预测可靠性上的差异。
10月21日，PerturbAI宣布与OpenAI及斯克里普斯研究所合作开发AI推理框架。该框架将利用数千个智能体并行分析生物实验数据、检索科学文献并提出可验证的研究假设，合作方还将探索新的药物靶点。
推荐理由：这项合作给出了多智能体并行处理实验数据与科学文献的研发思路，可用于理解生物医学推理智能体的实施路径。
DeepSeek 开源生产推理框架 DeepInfer，并披露其支撑 V4.1 Flash 的单集群 155T tokens/日、96% 输入缓存命中率等数据。
推荐理由：文章对照 DeepInfer 与 vLLM 的复现结果，并拆解缓存命中率、硬件成本与收入口径，帮助读者区分生产服务能力、推理贡献利润和公司整体利润。
S-Agent 2.0 将命令行3D感知工具、持久场景记忆和自然语言解释接入通用编码智能体，提升空间推理表现。在 MMSI-Bench 和 ReVSI 上，工具使 Qwen3.8-27B 相比无工具版本分别提升 +13.9 和 +20.5 分，使 Gemini-3.8-Flash 分别提升 +11.2 和 +9.6 分。
推荐理由：论文将命令行3D感知工具、持久场景记忆与自然语言解释组合进通用编码智能体，并提供跨模型和框架的实验对比。
Alibaba 将 DeepSeek V4 Flash 0731 的每百万 tokens 输出价格从 $0.40 上调至 $1.32，增幅为 230%。
推荐理由：价格目录同时列出多家模型涨价与 Zhipu AI 降价，为依赖低成本 API 的团队重算单位经济性、识别成本风险提供直接参照。
PAR提出进度对齐递归，通过在第k次循环预测前k步后的状态，并在每次循环后重缩放隐藏状态，改善循环语言模型的长度外推。在swap-S5上，使用最多32步序列训练的0.5B模型在512步达到95.5%完整状态准确率，高于RLT的55.7%和CoT的0.8%。
推荐理由：论文将循环次数与任务步数对齐，并给出PAR在512步长度外推任务上相对RLT和CoT的准确率对比，便于理解循环语言模型的失效与改进机制。
MiniMax 正式发布 M3.1 Flash，国庆期间在 OpenRouter 匿名屠榜的 Space Bunny 被确认就是该模型。在 Agents’ Last Exam（ALE）中得分 29.6%，AA 榜单得 43 分，文中称其 Agent 成绩居国模第一。
推荐理由：原文并列多项基准、速度与 API 价格，便于比较 M3.1 Flash 和 DeepSeek V4.1 Flash 1017 的能力与成本。