推理能力

Vercel AI SDK 发布 @ai-sdk/xai@5.0.16，新增 max 推理等级

Vercel AI SDK 发布 @ai-sdk/xai@5.0.16 补丁版本，新增可移植的 max 推理等级并映射到各原生提供商，同时加入兼容性强制转换与基于预算的回退支持。该变更扩展了 LanguageModelV4CallOptions 的 reasoning 类型，要求第三方提供商处理 max ，并调整了 Amazon Bedrock 与 Fire

Paradigma 发布 Limite 1B 数学推理模型

Paradigma 发布首个模型 Limite 1B - Violetto，这是一个 10 亿参数的稠密自回归 Transformer，从零训练于不到 3000 亿精选 token，支持最长 131k 上下文，面向高吞吐数学推理。该模型通过合成数据、SFT 与 RL 后训练，在 BeyondAIME 上平均得分 74.25%，超过 MUSE-Glimmer-

Reflection 发布 Beam：中国以外最强开放权重模型

AI 初创公司 Reflection 发布其首个开放权重模型 Beam，面向编程、逻辑推理与智能体任务，采用混合专家架构，每 token 仅激活 5010 亿参数中的 230 亿，主打计算效率。Reflection 称 Beam 在关键推理基准上可匹敌 GLM 5.2，但计算量少三到四倍，并接近规模更大的 Qwen3.8-Max。该模型基于 10500 块

SynLat：句法对齐的文本-潜在思维链压缩

论文提出 SynLat，一种文本-潜在混合的思维链压缩框架，通过句法对齐单元（SAU）将压缩边界与句法结构对齐，避免 token 级或固定长度边界割裂短语、公式等连贯片段。方法用答案条件化的 Teacher 为单一压缩条件化 Student 构建渐进式 KEEP/LATENT 目标，推理时仅需问题和压缩级别即可生成混合推理。在 Qwen3-8B/14B 上，

Reflection 发布开放权重模型 Beam，对标中国开源模型

Reflection AI 发布首个前沿开放权重模型 Beam，这是一个 5010 亿参数、230 亿激活参数的文本混合专家模型，预训练于 23.8 万亿 token，支持 100 万 token 上下文。公司声称 Beam 在高级推理基准上可媲美 Z.ai 的 GLM-5.2，并超越西方领先开放模型，同时推理算力消耗低 3-4 倍，但该性能声明尚未被独立验

另有 1 家信源报道

OpenAI 发布开源权重模型 gpt-oss-20b

OpenAI 发布开源权重模型系列 gpt-oss，包含 gpt-oss-120b 和 gpt-oss-20b 两个版本，采用 Apache 2.0 许可。gpt-oss-20b 拥有 21B 参数、3.6B 激活参数，可在 16GB 内存内运行，支持可配置推理强度、完整思维链、函数调用、网页浏览和 Python 代码执行等能力。模型使用 harmony 响

学习蛋白质折叠能否泛化到更广泛的推理？

研究者构建了 FoldingCorpus 蛋白质问答数据集与 Fold2Reason 后训练方法，通过离散结构答案和连续 3D 几何两种信号进行训练。在 FoldBench 上，Fold2Reason 的结构预测得分达到 Qwen3.5-9B 的 2.7 至 3.5 倍，并在空间、图、科学和通用推理等全部 10 个基准上均有提升，宏平均准确率从 45.09%

SymCE：逐定理符号验证器生成反例，模仿有害而强化修复

该论文提出 SymCE，一个包含 4,707 个假数学猜想及逐定理 Python 验证器的确定性反例生成环境，验证器同时充当强化学习奖励函数。作者发现仅用反例数据做 SFT 会导致「模仿陷阱」，使模型识别真定理的能力从 0.27 崩溃至 0.00，而基于验证器的 RLVR 可修复该问题并提升至 0.66。训练后的 Qwen3-4B 在域内反例任务上超越所有评

找到着法不等于赢棋：XiangqiBench 闭环评估 LLM 智能体

研究者提出 XiangqiBench，一个可执行的中国象棋基准，用于闭环评估 LLM 智能体：从 119 个有引擎或仅将军搜索支持的战术残局出发，智能体需执红方对抗引擎防守方并完成将死。研究记录了 12 个前沿 LLM 在两种观察协议下的 8,568 条多轮轨迹，发现三种看似胜任的信号均高估闭环成功率：转换差距（26.1% 走对参考首步但仅 13.9% 获胜

FinNextAssist：面向专业金融深度研究助手

研究者提出 FinNextAssist，一个面向专业金融分析的端到端深度研究框架，将研究流程拆分为任务规划、证据编译、推理引擎和报告组装四个阶段，并引入 TabAgent 与 HeteroAgent 两个轻量子代理分别处理跨市场金融表格理解和跨模态异构金融数据解读。论文指出金融领域深度研究代理需满足权威异构数据源整合、专用分析工具以及领域子代理三项要求。在

Qwen3.8 27B 用英文单词做大数加法的实验

Simon Willison 在本地 DGX Spark 硬件上复现了 Colin Frasier 两年前用 GPT-4o 做过的实验，测试模型能否在计算大数加法后以英文单词形式输出答案。他使用 Qwen3.8-27B-Q4 K M.gguf 模型，在关闭推理时每组合运行 30 次，开启推理时每组合仅运行一次，结果 169 次尝试中答对 167 次。报告还展

DeepMind 研究者提出「人工共生智能」替代奇点论

DeepMind 相关研究人员 Benjamin Bratton、Blaise Agüera y Arcas 和 James Manyika 发表文章，提出「人工共生智能」（Artificial Symbiotic Intelligence）概念，认为 AGI 将从人与 AI 智能体协作的社会系统中涌现，而非由单一超级智能驱动。文章引用两项预印本研究，指出

别被迷惑：大语言模型并不会推理

前Google DeepMind研究员撰文指出，当前大语言模型并不具备真正的推理能力，其链式思维仍由同一套下一词预测机制生成，缺乏可检查的持久认知状态、知识与推理的分离，以及真实的推理过程。作者以AlphaGo的搜索机制为例，认为真正的推理应像AlphaGo那样维护显式的博弈树并据此更新判断，并透露自己已离开Google DeepMind，希望推动借鉴Alp

理由传递了什么？角色专用问答中的消息干预研究

苏黎世大学和上海交通大学的研究者提出了一种“消息干预”诊断方法，用于检验角色专用问答流水线中推理者传递给验证者的理由（rationale）究竟起什么作用。在 MuSiQue、HotpotQA 和 2WikiMultiHopQA 的 400 个样本上，以 DeepSeek 作为生成器和验证者，实验发现忠实理由几乎不提升答案准确率，但被破坏的理由会显著改变验证者

何恺明团队NAT-ARC：用ImageNet预训练纯视觉方案解ARC

何恺明团队（MIT CSAIL）提出NAT-ARC，一种纯视觉的ARC抽象推理方案。该方法在VARC视觉流程前插入ImageNet MAE自监督预训练，用约130万张自然图像训练encoder，再迁移到ARC彩色格子推理任务。最佳单模型（0.6B参数）在ARC-1上取得63.4% pass@2，集成后达70.2%，以约四分之一参数量逼近8B专用LLM系统Th

UkisAI 发布 Swift-Qwen3.8-27B GGUF 量化模型

UkisAI 在 Hugging Face 发布了 Swift-Qwen3.8-27B 的 GGUF 量化版本，该模型是 Qwen3.8-27B 的推理高效衍生版本。据其评测，Swift 版本在保持性能损失小于 1% 的前提下，平均思考 token 减少约 58.3%，并在多项任务上实现约 1.95 倍加速。该模型采用自定义的 swift-open-lice

从点到群：AI智能体自我组织，管理无需人类设计

作者反思自己此前关于人类需像管理者一样精心组织AI智能体的判断有误，认为「苦涩的教训」同样适用于智能体管理：AI能自行学习组织与规划，无需人类设计复杂规则。文章以Meta的Muse、OpenAI的dots等个人智能体为例，说明它们能主动发现用户错误并采取行动。更关键的是OpenAI据称用数千个智能体组成的「swarm」在88小时内证明了Navier-Stok

CARAT：材料大模型是在推理还是背诵？

该论文提出 CARAT 基准，用于检验材料领域大语言模型在回答晶体结构问题时究竟是在进行结构推理，还是仅仅复述输入中已印出的答案（readback）。CARAT 将同一问题渲染为八种匹配视图，并加入配对评估、反捷径测试和统计规则，在 562 种材料、1024 道匹配问题上测试 27B 模型。结果显示 GraphSpace 视图相对公式输入有 17.3 个百分

OpenAI推理之父谈多智能体：1万Agent解千禧年难题，功劳不到10%

OpenAI研究员、o1核心作者Noam Brown在最新播客访谈中介绍了其当前研究方向——多智能体（multi-Agent）系统。他透露OpenAI曾用1万个Agent、耗时88小时、消耗1300亿token解出一道千禧年数学难题，但强调多智能体最多只占10%功劳，核心仍是通用且强大的模型本身。他还讨论了推理时计算扩展、多智能体并行化的效率损耗、AI组织与

EEGAgentBench：评估LLM智能体的短时与长时脑电分析基准

中科院计算所等机构提出 EEGAgentBench，一个用于系统评估 LLM 智能体在短时与长时脑电（EEG）分析中表现的统一基准。该基准涵盖六个 EEG 任务、1072 个评估实例，信号时长从 2 秒到近 23 小时，并提供 10 个确定性 EEG 分析工具，要求智能体自主选择工具、迭代积累证据并构建多步工作流。研究对来自 15 个模型家族的 29 个前沿