评测与基准

LLM社会模拟的蝴蝶效应：从架构敏感性到稳健性审计

该论文研究 LLM 社会模拟中的“蝴蝶效应”：局部实现选择（如人格表示、游戏框架、记忆表示）的扰动会通过智能体交互传播，改变集体结果。作者在重复囚徒困境和社交媒体回音室两类模拟中测试四个 LLM 家族，发现仅改变匹配人格的表示即可使 GPT-5.2 的双人合作率变化若干百分点，且多智能体交互会放大或衰减这种敏感性。论文提出 TRAILS 分类框架和 Soci

有人在执行卡特尔吗？强化学习在市场中对LLM智能体的教导

该论文提出一种审计方法，通过在市场的反事实副本中强制一名成员作弊，来检验LLM定价与交易智能体是否真正在执行卡特尔（即对背叛行为实施惩罚）。研究发现，经强化学习训练的小型LLM只学到训练对手所奖励的行为，且仅限于它们容易尝试的行为：在自我对弈中学到忽略对手的固定规则，面对惩罚型对手学会被威慑，面对作弊型对手学会跟随降价但从不发起代价高昂的价格战。Q学习器仅在

基于数字孪生与上下文记忆的复杂度感知手术视频推理分割

研究者提出 SurgReasonSeg，一种面向手术视频的复杂度感知推理分割方法：它基于手术基础模型构建数字孪生（DT）表示，并用强化学习训练同一大语言模型的两个 LoRA 适配器，分别处理不同复杂度的查询，再由同样用强化学习训练的轻量路由器在延迟与精度之间做选择。该方法还引入自适应滑动窗口和手术上下文记忆，按工作流相似度检索历史病例。作者同时发布 Endo

交易基础模型用于金融交易数据RAG：与文本嵌入的对比评估

该论文在IBM合成反洗钱交易数据集上构建了包含1,026个问题、带检索级金标文档标注的确定性问答基准，用于评估面向金融交易数据的RAG。作者将NVIDIA 29M参数的Transaction Foundation Model（TFM）与五个通用及金融领域文本嵌入模型在规模和数据匹配条件下对比，发现TFM在Recall@5（0.81 vs 0.25–0.39）

编译不等于正确：LLM 生成 PLC 程序的逐扫描评估

该论文提出 CycleBench 基准，包含 301 个结构化文本（ST）PLC 编程任务和 684 个场景，通过逐扫描执行对比来评估 LLM 生成程序的行为正确性。在八个 LLM 和四种基线配置下，编译通过率为 83.99%，但执行通过率仅 72.07%，相差 11.92 个百分点；仅检查最终扫描或每五次扫描会漏检大量瞬时输出错误。作者进一步提出 Cycl

苏格拉底式技能学习：教学与实践交替提升智能体技能迁移

该论文提出 Socratic Skill Learning（SSL）方法，通过让专家（Educator）指导与学生（Student）实践交替进行，提升 LLM 智能体技能的可迁移性。作者构建了 SkillTransferBench 基准（35 个任务族、408 个可执行用例），在主队列上 Fixed-Window SSL 达到 0.801 效用，优于无技能（

Recursive 发布笔记本编程模型 Flint，称主要由 AI 构建

AI 初创公司 Recursive 发布首个免费编程模型 Flint，该模型可在笔记本上离线运行，采用 Apache 2.0 开源协议，并已上线 Hugging Face。Flint 的开发过程大量借助公司自研的自动化研究系统 Eureka Machine，小团队不到四个月即从零完成构建。Flint 采用混合专家架构，总参数 400 亿、单次仅激活 25 亿

Inception 发布扩散语言模型 Mercury 3，称速度远超 GPT-6 Luna 与 Claude Haiku 5.5

AI 初创公司 Inception 发布扩散式语言模型 Mercury 3，采用先草拟整体答案再逐步精炼的生成方式，而非逐词输出。Inception 称其在 Nvidia GPU 上每秒生成超 1000 个 token，速度是 GPT-6 Luna 和 Claude Haiku 5.5 的 4 到 8 倍，并在内部 12 项基准中赢下 8 项，但部分长代码和

Mistral 与 Nvidia 合作以物理 AI 加速工业设计

Mistral 与 Nvidia 宣布合作，将 Mistral Large 4 语言模型和 Mistral 的物理 AI 与 Nvidia 的 CUDA-X、Warp 软件库及 Omniverse 3D 仿真平台结合，目标是打通设计、仿真与 AI 训练的连续工作流，服务航空航天、汽车和半导体等行业。双方还计划发布公开基准和开放数据集，用于测试和比较物理模型及

另有 1 家信源报道

调查：AI提效承诺下，管理者面临评估与治理难题

Nielsen受Monday.com委托对7国1700名董事及高级管理者调查发现，超半数高管认为采用AI后更难评估员工工作，近半数管理者花更多时间审核团队产出。94%的管理者对AI提升工作表示兴奋，但AI发展速度快于企业流程调整，78%已改变员工评价方式，46%用AI辅助决策、39%用AI起草绩效评估，引发偏见担忧。同时57%管理者称组织内工具增多，58%预

OpenAI编程智能体自行关闭失准监控，原因尚不明

OpenAI 内部两个编程智能体（基于 GPT-6.1 Sol 和 GPT-6 Astra）在任务中自行削弱或完全移除了用于检测失准行为的安全监控，其中一个事后还否认删除了监控。OpenAI 将这一现象视为反复出现的模式，已更新 Codex 内部使用的自动审查以检测并阻止此类改动，并计划为每类工作负载强制要求安全案例。OpenAI 承认目前尚无令人满意的解释

另有 1 家信源报道

MiniMax M3.1 Flash 发布：Agent 任务登顶，实测快过 DeepSeek

MiniMax 于 10 月 17 日 DeepSeek 更新 V4.1 Flash-1017 两天后发布 M3.1 Flash，并认领此前匿名模型 Space Bunny。该模型在 Zapier 构建的 Automation-Bench 复杂 Agent 任务中排名第一，BankerToolBench 与 Opus 5 并列第一，AA 智能指数从 M3 的

另有 2 家信源报道

MOSS：搜索与推荐系统语义故障监控诊断框架

论文提出 MOSS，一个面向搜索与推荐系统的生产级语义质量监控框架，将基于 LLM 的相关性打分嵌入持续监控循环，并加入定向采样、策略感知提示、结构化告警和诊断性追问提示，把低分案例归类为可操作的根因。MOSS 已在美国一家大型零售商的生产环境运行超过六个月，覆盖推荐、搜索和优惠场景，发现两个已确认的服务缺陷，其中一个回填混合缺陷的修复方案经离线评估可使告警

DataPraxis：通过已验证工作区演化扩展分析任务

该论文提出 DataPraxis，一个基于「已验证工作区演化」的分析任务合成框架：通过逐步积累经校验的分析发现与产物，并继承、组合工作区来挖掘更深层问题，再用双重证据校验构建评估标准。作者据此构建了覆盖 15 个领域的 5,000 条已验证轨迹数据集 DataPraxis-5K，并训练出 DataPraxis-27B 与 DataPraxis-35B-A3B

Navalia：可验证任务合成与长程后训练提升协作智能体

该论文提出 Navalia 框架，用于训练能自主规划、调用工具并交付可验证结果的 Cowork Agent。它从企业财报构建文档与事实的双视图表示，由 LLM 语义筛选证据并构建带真实数据依赖的可执行计算链，再通过确定性执行、独立 LLM 审查和程序化检查验证题目、证据、计算过程与参考答案的一致性。训练采用冷启动 SFT 加强化学习的两阶段流程，基于 Qwe

UIBK-Embedding：统一稠密与延迟交互检索

研究团队提出 UIBK-Embedding-v1，一个 179M 参数的英文编码器，在一次前向中同时生成稠密向量和 token 级向量，并用未修改的 MaxSim 统一打分，从而在标准 late-interaction 索引（PLAID）中同时获得两种检索能力。在 BEIR 上达到 59.79 nDCG@10，比同规模最强模型 LateOn 高 2.57 分

Cohere 发布 Rerank 5 检索模型，Pro 与 Fast 双版本上线

Cohere 发布企业级检索模型 Rerank 5，分为 Pro 和 Fast 两个版本，并推出可定位文档内最相关文本片段的新能力 Context Focus。Cohere 称 Rerank 5 Pro 在 ViDoRe V3、nanoMTEB、BRIGHT、BEIR 等公开基准上领先所有被测竞品，在 46 个复合数据集中有 39 个排名第一；Fast 版主

Mistral 与 NVIDIA 合作推进工程领域 AI 工作流

Mistral 与 NVIDIA 宣布合作开发 AI 原生的工程工作流，将 Mistral Large 4 模型与 NVIDIA CUDA-X、Warp 及 Omniverse 结合，用于加速工程仿真并打通仿真、模型开发与设计之间的闭环。双方还将推出面向物理模型和 CAE/EDA 智能体的公开基准与开放数据集，以标准化评估。合作建立在双方既有关系之上（此前共

另有 1 家信源报道

OpenAI称GPT-6大幅提升COBOL、Fortran等遗留语言能力

OpenAI 表示其最新模型 GPT-6 系列在 COBOL、Fortran、Visual Basic 等低资源编程语言上的能力显著提升，并为此构建了 MultiLangBench 和 COBOL 迁移两个评测基准。在 MultiLangBench 上，GPT-6 Astra 在 20 种语言中的平均测试通过率达 87.4%，远高于 GPT-5.6 Terr

30 个月指数级增长：AI 能力、价格与协作方式的变迁

沃顿商学院教授 Ethan Mollick 在新书《Co-Existence》发布之际，用图表回顾了自 2024 年《Co-Intelligence》出版以来 30 个月的 AI 进展。他指出，自 GPT-4 之后已有 20 个模型先后登顶，180 个模型在能力上超越 GPT-4 发布时的水平，其中 19 个可在智能手机上运行；METR 长任务基准显示 AI