LabRobotBench v0.1 发布湿实验室机器人智能体评测基准
Gamow Labs 发布 LabRobotBench v0.1，通过模拟物理机器人的命令接口，评测 AI 智能体排查故障并恢复实验的能力。基准覆盖细胞检测恢复、样品与冷库存放优先级、剂量反应实验；留出子集上，3 个智能体的平均恢复得分分别为 46.7%、23.0% 和 20.9%。
推荐理由：LabRobotBench通过中断恢复、样品优先级和时限任务，比较模型智能体操作湿实验机器人时的推理与故障恢复能力。
技术方向
推理能力 最新动态
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
更新
精选归档 · 第 6 页
Hacker News精选AI 评分4747 AWS Machine Learning Blog精选AI 评分6464 在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B 提升多语言推理能力
AWS 团队在 Amazon SageMaker HyperPod 上用 SFT 和 GRPO 微调 GPT-OSS-20B，使模型能按指令以英语、法语、德语、西班牙语或意大利语进行推理和回答。
推荐理由：文章提供从数据、LoRA 训练到评测的完整流程，并用 SFT 与 GRPO 对照给出按模型能力缺口选择微调方法的判断框架。
AWS Machine Learning Blog精选AI 评分5353 如何在加拿大通过 Amazon Bedrock 跨区域推理访问 OpenAI GPT 模型
加拿大组织可通过 Amazon Bedrock 跨区域推理，从 Canada (Central) 和 Canada West (Calgary) 源区调用 OpenAI GPT-5.6、GPT-6 和 GPT-6.1。
推荐理由：文章给出加拿大源区调用 OpenAI GPT 模型的权限、API 和路由配置，并说明数据驻留与配额管理，便于评估部署方案。
Hacker News精选AI 评分5454 推测解码为何能提升速度
推测解码变快不是因为减少了每个 token 的工作，而是低批量时用更多总 FLOPs 填补 GPU 的空闲算力。小型草稿模型先提出一段 token，大模型在一次前向传播中并行验证，用同一序列的“深度”替代多序列的“广度”。
推荐理由：文章以内存受限和计算受限作对照，解释低批量场景下推测解码用更多总 FLOPs 换取更快生成的原因。
HF Daily Papers精选AI 评分4747 AdaExploreBench：面向演化环境中主动探索与测试时适应能力的 LLM 智能体基准
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。
HF Daily Papers精选AI 评分4343 OpenVLHarness：基于多模态记忆的视觉智能体工具调用框架
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。
钛媒体精选AI 评分2828 DeepSeek 疑似员工讨论 DeepSWE 得分，文章解读技术路线与极客文化
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。
36氪精选AI 评分3434 Anthropic 据报筹备推理能力优于同类的新模型
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。
HF Daily Papers精选AI 评分4343 RLSplat 提出前馈 3D Gaussian Splatting 的资源线性预算控制框架
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。
HF Daily Papers精选AI 评分4545 Ask-to-Distill：利用合成数据实现在策略蒸馏
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。
HF Daily Papers精选AI 评分4747 RouteWeaver 统一 LLM 路由的模式选择与执行
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。
HF Daily Papers精选AI 评分3737 DRLMs 通过完整草稿修订实现并行推理
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。
HF Daily Papers精选AI 评分4949 Heartbeat Thinking：实时语音智能体边聆听边推测推理与执行工具
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。
HF Daily Papers精选AI 评分4545 GRSE 用组相对信用分配改进多智能体团队的技能演化
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。
HF Daily Papers精选AI 评分3535 SpecKCast 通过频域 Kalman 预测加速扩散模型推理
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。
36氪精选AI 评分3333 原点星辉StartLux决策模型登顶Hugging Face榜单
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。
HF Daily Papers精选AI 评分6868 Épi：迈向持久且可自我改进的自主研究智能体
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。
量子位精选AI 评分6464 Claude 半小时破解 NIST 椭圆曲线 20 年种子悬案
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。
The Decoder精选AI 评分6969 数学家批 OpenAI 纳维-斯托克斯证明与 10,000 智能体贡献
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。
HF Daily Papers精选AI 评分4848 Jev 决策模型控制器增加智能体成本但未提高成功率
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。