返回主题地图

推理能力

技术方向 · 模型推理能力的进展：思维链、推理模型、数学与逻辑基准 · 共 328 条

只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。

9月30日周三 · 2 条
正文结构化主题已通过公开置信门槛
arXiv cs.MA一手来源研究

多智能体LLM在推理努力与通信拓扑下的集体状态

该研究将多智能体LLM系统建模为无状态智能体在局部可见邻居间反复更新预测，并用全局与局部一致性指标识别出三种集体状态：同步、扭曲（局部有序但全局不一致）和嵌合体（一致与不一致子群共存）。实验发现，提高gpt-5-mini的推理努力会把面板从碎片化结果推向局部有序的扭曲状态，而增加通信连通性则推动系统走向全局同步；在非环形评判任务和三个提供商的模型上拓扑效应同

正文结构化主题已通过公开置信门槛
arXiv cs.AI一手来源研究

面向资源受限边缘设备的神经符号路由可靠推理

该论文提出一种神经符号路由器，将查询分类为算术、代数、形式逻辑和文字题四类，前三类交由确定性求解器处理，仅文字题使用小语言模型。路由逻辑通过L 语法推断算法学习DFA实现，以SLM作为成员查询预言机、标注数据作为等价预言机。在Raspberry Pi 4B上运行Phi-4-mini（3.8B，Q6 K量化），对DeepMind Mathematics、GSM

9月29日周二 · 1 条
正文结构化主题已通过公开置信门槛
Apple Machine Learning Research一手来源研究

通信瓶颈：语言模型中树结构表达式序列化的往返研究

Apple 机器学习研究团队提出一种往返（round-trip）协议，用于评估语言模型在将树结构算术表达式序列化为自然语言时的信息损失。实验对 16 个模型的所有配对组合进行测试，发现该通信信道有损且不对称：交换生成与抽取角色可使准确率变化高达 60.4 个百分点，最佳组合达到 92.9%。至少 73.6% 的失败源于生成端，难度由树结构（运算符数量、深度、

9月28日周一 · 1 条
正文结构化主题已通过公开置信门槛
arXiv cs.AI一手来源观点

将AI引入自主系统：从认知到集体智能

法国Verimag实验室的Joseph Sifakis在arXiv发表文章，提出自主系统是AI发展的终极阶段，需要连接主义AI与符号AI结合，并整合AI与系统工程。文章给出基于通用智能体架构的设计与评估框架，涵盖认知功能、长期记忆、决策规划及多智能体协调，并指出智能体可信性不仅涉及行为属性，还包含认知属性维度。作者认为当前AI智能体仅能提供低可靠性服务，与自

9月26日周六 · 1 条
正文结构化主题已通过公开置信门槛
Hugging Face New and Trending Models一手来源模型发布

Prism ML 发布三值量化 Bonsai 2 27B GGUF 模型

Prism ML 在 Hugging Face 发布 Bonsai 2 27B 的 GGUF 版本，基于 Qwen3.8-27B 架构，将全部语言权重（嵌入、注意力投影、MLP 投影、LM head）量化为三值 {-1,0,+1}，以约 1.72 bits/weight 存储，模型体积约 5.95 GB（PTQ1 0）或 7.21 GB（PQ2 0），相比

9月25日周五 · 6 条
正文结构化主题已通过公开置信门槛
Latent Space商业

AINews 改版：Discord 与 AINews 合并，本周前沿模型密集发布

Latent Space 发布 AINews 改版计划，将 Discord 与 AINews 合并，并探索迁移至 Beehiiv 及新主页，同时重新开放赞助与 PR 合作。本周 AI 动态密集：Anthropic 发布 Claude Opus 5.5、OpenAI 推出 GPT-6 系列（Astra/Sol/Luna）、Google 发布 Gemini 3.

正文结构化主题已通过公开置信门槛
arXiv cs.AI一手来源研究

预测智能体何时该推理？可靠性路由的行为压力测试

该研究将预测智能体的机制选择（检索、推理、参考市场先验或使用历史类比）视为可观测行为，在 ForecastBench 式二元预测任务上进行压力测试。作者提出 ReliabilityRoute，基于历史覆盖率、市场先验可用性、证据强度等可靠性特征进行路由，而非硬编码来源名称。实验显示固定路由在 2025-10-26 评估集上将 Brier 分数从 0.1876

正文结构化主题已通过公开置信门槛
arXiv cs.MA一手来源研究

多智能体辩论用于可解释交易：推理、共识与模拟市场表现

研究团队构建了一个多智能体辩论框架，用于历史市场模拟中的投资组合配置，让专门化智能体在结构化推理与干预协议下提出、批评并修订投资决策。在210次受控实验中，聚合推理质量与夏普比率和总回报均无显著关系，结构化提示虽大幅提升推理质量，但收益并未稳定提高。研究识别出「谄媚式收敛」这一核心失败模式，并发现保留分歧的JSD干预能提升夏普比率和索提诺比率，而强制因果推理

正文结构化主题已通过公开置信门槛
Hugging Face Daily Papers一手来源研究

Agent-Editing World Model：重新思考 LLM 智能体的世界建模

该论文提出 Agent-Editing World Model（AEWM），重新思考长时程 LLM 智能体的世界建模方式，将目标从预测环境观测转向建模推理与动作如何影响未来任务进展。AEWM 结合 Action Judge（区分关键、探索性、噪声决策）与 State Revision（直接编辑噪声推理-动作延续），其推理框架 EditAct 与真实环境交互结

正文结构化主题已通过公开置信门槛
Hugging Face New and Trending Models一手来源模型发布

UkisAI 发布 Swift-Qwen3.8-27B 高效推理模型

UkisAI 发布了 Swift-Qwen3.8-27B，这是基于 Qwen3.8-27B 微调而来的推理高效衍生模型。该方法通过识别并惩罚导致过度思考的推理标记 token，使思考 token 数量减少 58.3%，性能损失低于 1%，在多个任务上实现约 1.95 倍加速。模型还引入了来自 BottleCap AI 的 ThinkingCap-Qwen3.

正文结构化主题已通过公开置信门槛
THE DECODER研究

AI 性能成本下降速度超过以往任何技术

Epoch AI 研究显示，在特定 AI 基准上达到固定性能水平的成本自 2023 年以来以每季度约 47%、每年约 13 倍的速度下降，快于以往任何变革性技术。MIT 研究者基于 Artificial Analysis 数据得出年降幅为 5 至 10 倍，剔除硬件降价和竞争压力后，纯算法效率提升约为每年 3 倍。研究同时指出，新推理模型因消耗更多测试时算力

9月24日周四 · 4 条
正文结构化主题已通过公开置信门槛
arXiv cs.SE一手来源研究

阶段监督潜在推理实现单次JavaScript反混淆

该论文提出一种阶段感知的潜在推理框架，用于JavaScript反混淆。方法将确定性反混淆工具产生的中间输出转化为监督信号，基于Coconut（连续思维链）范式训练模型，使其在训练时学习多阶段重写过程，但在推理时仅接收混淆代码并一次性生成清理后的程序。在JsDeObsBench上的初步结果显示，基于Coconut的模型将语法有效性提升至50%（直接微调为15%

正文结构化主题已通过公开置信门槛
arXiv cs.CL一手来源研究

CoMed：多LLM推理中路由与协作之间的选择性升级

论文提出 CoMed，一种多 LLM 推理中的选择性协作控制器，位于路由与密集协作之间。作者发现跨模型协作具有非单调性：同伴既能挽救单模型无法解决的错误，也可能破坏原本正确的答案。CoMed 通过锚点自一致性、路由边际和轻量同伴探测，决定接受、验证或升级协作，在 16 个开源权重设置中均优于固定或路由锚点，MedQA 最高提升 10.7 个百分点，并在 HL

正文结构化主题已通过公开置信门槛
arXiv cs.MA一手来源研究

审计多智能体审议中的置信度路由、校准与承诺

该研究审计了多智能体审议中常见的「置信度路由」协议：让各智能体报告置信度，由最高分者发言。作者将审计拆分为路由（是否选对候选）、校准（置信度是否像概率）和承诺（被选智能体是否公开说出赢得回合的答案）三个可分别测量的维度。在 4,181 条 gpt-oss-120b 奥数轨迹上，置信度能区分对错（AUROC 0.72）但严重过度自信（79% 置信 vs 52%

正文结构化主题已通过公开置信门槛
NVIDIA Technical Blog一手来源模型发布

NVIDIA 发布 NV-Reason-CT：面向放射科思维链的 3D CT 视觉语言模型

NVIDIA 发布 NV-Reason-CT，一个专为 3D CT 分析构建的视觉语言模型，将思维链推理扩展到全容积 CT，可生成结构化诊断报告、模拟放射科医生思维链并支持多轮追问对话。该模型基于 NV-Reason-CXR 的推理方法，采用 3D ViT 编码器与 Qwen3.5-4B 语言模型组合，处理 192³ 体素 CT 数据。NVIDIA 强调其定

9月23日周三 · 5 条
正文结构化主题已通过公开置信门槛
Hugging Face New and Trending Models一手来源模型发布

TopologicalQwen：拓扑知识蒸馏的1.7B模型

Convergent Intelligence LLC 研究部门发布 TopologicalQwen，一个从 Qwen3-30B-A3B-Thinking-2507 蒸馏得到的 1.7B 参数模型。该方法称为拓扑知识蒸馏（TKD），将教师输出分布视为有界变差函数，分解为平滑、跳跃和漂移三个通道进行知识迁移，并采用 DualMind 格式训练模型进行推理、自我

正文结构化主题已通过公开置信门槛
Hugging Face New and Trending Models一手来源模型发布

TAMELM-AFMoER 1B 发布：引入黑洞绳机制

研究者 reaperdoesntknow 在 Hugging Face 发布 TAMELM-AFMoER (1B) 模型，在原有 421M 版本基础上引入 Blackhole Rope（BHR）机制，通过类引力吸引子稳定多时间尺度路由并放大推理信号。模型采用 16 专家稀疏路由、CPU 单机 FP32 训练，仅用约 100 万 token 即达到 loss

正文结构化主题已通过公开置信门槛
Hugging Face New and Trending Models一手来源模型发布

Convergent Intelligence 发布符号-神经混合模型 Symbiotic-Beta

Convergent Intelligence LLC 在 Hugging Face 发布实验性模型 Symbiotic-Beta（SymLM），基于 Qwen2.5-0.5B 冻结主干，融合符号认知模块（DTE-HDM、M.A.S.R.M、QwenExoCortex 等），在 MetaMathQA 的 2.5 万条样本上微调，面向数学推理与神经符号研究。模

正文结构化主题已通过公开置信门槛
Hugging Face Daily Papers一手来源研究

The Tasteful Agent：长周期任务中智能体品味的度量与提升

该论文提出「品味」（taste）概念，指 LLM 智能体在长周期任务中于决策分叉点选择更优方向的能力，并构建了 Taste-Bench 基准。Taste-Bench 从 SWE-bench Pro 和 METR AI R&D 轨迹中自动挖掘出 502 个决策分叉，无需人工标注。评测显示 14 个前沿模型中最优者仅答对 59.7%，且决定证据出现越晚准确率越低

正文结构化主题已通过公开置信门槛
arXiv cs.LG一手来源研究

LEDFlow：熵引导生成顺序的均匀离散流采样器

该论文提出 LEDFlow，一种无需训练的采样器，通过熵引导的吸收策略为均匀离散流引入生成顺序。研究发现均匀离散流中 9.4% 的生成单元在中间步骤正确但最终输出错误，LEDFlow 将这一比例降至 2.6%。在 Nikoli 数独上达到 0.845 的求解准确率，在文本到图像生成和多模态理解任务上也优于原生采样器，且推理成本相当。