推理能力

在 Amazon Bedrock 上用 Grok 4.7 构建长时程智能体

AWS 博客介绍 SpaceXAI 的 Grok 4.7 已在 Amazon Bedrock 上线，支持可配置推理强度、工具调用和结构化输出，并提供跨区域推理配置文件。文章构建了一个工具调用智能体，在三个需要搜索而非简单查询的任务上测试了四种推理强度，共 72 次运行，正确 67 次；xhigh 全部正确，low 用约八分之一输出 token 达到 15/1

西方数学家忧AI让人变笨，中国组建数学AI联盟

菲尔兹奖得主丘成桐等中国数学家在北京发起“丘成桐数学与人工智能实验室联盟”，联合八家机构，目标建立超千名研究者的网络，推动AI进入数学研究，并警告中国落后于美国。与此同时，包括陶哲轩在内的25位菲尔兹奖得主担忧AI生成的证明会削弱数学理解、让研究者依赖无法跟进的工具，部分人呼吁抵制AI生成的证明。专家对AI能否产生真正数学洞见仍无共识。

Anthropic 称新防御将 Claude 推理 token 窃取削减高达 99%

Anthropic 表示其新防御措施将 Claude 推理 token 被窃取的规模削减了 90% 至 99%，以应对工业级蒸馏攻击。攻击者利用数十万虚假账号网络系统性复制模型能力，Anthropic 点名中国公司智谱和月之暗面（Moonshot）参与其中。Anthropic 现已限制对内部推理步骤的访问、部署检测分类器并自动封禁账号，同时呼吁其他 AI 开

面向长时程终端智能体的规模化智能体数据

该论文提出 TerminalHorizon，一个面向长时程终端智能体的全自动数据合成引擎，通过独立执行识别环境构建中被省略的关键工作，并据此重建环境，同时在同一目标下逐步扩展任务以延续智能体行为模式。研究构建了 1.5K 任务环境，并对 Qwen3.5-27B 进行监督微调得到 TerminalHorizon-27B，在涵盖编码智能体、真实生产环境智能体任务

IsValorum 发布 Qwen3.8-27B 无审查模型 NanoPlus V3 GGUF 量化版

IsValorum 在 Hugging Face 发布了 Qwen3.8-27B-EfficientThink-Uncensored 的 VAL-APEX-I NanoPlus V3 GGUF 量化版本，文件大小 11.93 GB，整文件 BPW 为 3.55，WikiText-2 PPL 为 5.6504 ± 0.4832。作者称此前旧版量化存在严重的循环

SpireBench：用《杀戮尖塔》评估智能体长时程策略能力

研究者提出 SpireBench，一个基于商业卡牌游戏《杀戮尖塔》的长时程智能体基准，让模型在最高难度下完成全部56层决策。对20个LLM的测试显示，前沿模型能击败启发式基线和普通人类玩家，但远落后于专家，且随游戏进程拉长差距扩大。通过全游戏术语重命名消融，发现部分表现依赖对游戏的先验知识；跨局记忆机制未能提升表现，因为17%的记忆是错误且过度保守。

何恺明团队发布多模态Harness框架VISTA

何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生Harness框架VISTA，让现有多模态模型无需重新训练即可保存原始画面并在推理时回看、放大和检查细节。在ARC-AGI-3评测中，搭配VISTA的Claude Opus 5.0通关全部25个公开游戏并

Google Gemini 4 "Carbon" 据称编程性能追平 Anthropic Opus 5.5

据 Business Insider 看到的内部文件、截图和聊天记录，Google 正在测试名为 Argon、Barium 和 Carbon 的多个 Gemini 4 变体，其中 Carbon 已在内部编程平台 Jetski 上部署，据称在编程任务上优于 Argon，并被一名员工拿来与 Anthropic 最强的编程模型 Opus 5.5 相比。Google

另有 1 家信源报道

SLVR：基于类人推理流的结构化潜在视觉推理

该论文提出 SLVR 训练框架，将多模态推理组织为规划、定位、证据选择与推理整合等类型化潜在阶段，并用特殊分隔符 token 对每个阶段施加对应监督信号。SLVR 还引入 Visual Dependency Induction 对比训练，通过遮蔽答案提示文本并加入视觉干扰项，减少模型对语言先验的依赖。基于 Qwen2.5-VL-7B 构建的 SLVR 在 M

Claude Haiku 5.5 发布：操作能力暴涨，复杂编程仍逊于 Sonnet

Anthropic 发布 Claude Haiku 5.5，在 OSWorld 2.1 计算机操作评测中成绩从上一代 15.7% 提升至 72.4%，知识工作与多学科推理能力也明显改善，平均运行成本下降约 75%。新模型首次支持自适应推理（Adaptive Thinking）与 100 万 Token 上下文，但复杂终端编程任务仍与 Sonnet 5.5 差

Kolibri-1 78B MoE 模型的 GGUF 量化版发布

Hugging Face 用户 Hob-forge 发布了 Aleph Alpha 的 78B 参数混合专家推理模型 Kolibri-1 的 GGUF 量化版本，包含 Q2 K 至 Q8 0 多种量化格式，支持德语和英语。由于 llama.cpp 尚未支持 kolibri1 架构，作者提供了补丁和预编译版本，并验证了量化模型与 PyTorch 参考实现的对齐

Route-Verify-Vote：面向混合域推理的过程条件自一致性

该论文提出 Route–Verify–Vote（RVV）框架，用于混合域推理中的过程条件自一致性，无需更新模型参数。RVV 通过域标签选择推理过程、逐选项验证约束，并对完整答案集投票，同时将额外采样分配给票数差距小的问题。在 SCoRE 2026 官方测试集上，16 次采样投票达到 74.6% 精确集合准确率，自适应 RVV 达 77.3%，结合模型后达 7

面向结构化知识检索与推理的可信领域AI架构

马里兰大学巴尔的摩县分校的 Ryan C. Barron 在博士论文中提出了一套面向特定领域、可部署的模块化架构，用于将大量非结构化领域文本转化为可检索、可推理的结构化知识。论文提出 Binary Bleed 二分搜索方法和 HNMFk 深度自适应主题建模，并将结果同时实例化为类型化知识图谱与语义对齐的向量存储。研究还提出 Tensor-Structured

研究了1933篇IROS论文，我们看到了机器人学的六项新变化

雷峰网 AI科技评论对 IROS 2026 的 1933 篇正式议程论文进行多标签梳理，发现 Robot Learning/Embodied AI 约 809 篇、Navigation/Planning 564 篇、Perception/Vision 556 篇、Control/Dynamics 546 篇、Manipulation 520 篇、Humano

质疑问题本身：维持推理模型的自进化

该论文研究自进化推理模型在反复自我训练中出现的性能崩溃问题，指出自生成问题存在无效问题增多和数学等价问题重复两类质量缺陷，且基于词汇相似度的多样性控制无法识别数学等价问题。作者提出 R-Quest，利用问题有效性与新颖性反馈引导自进化：先训练求解器识别并拒绝无效问题，再用其判断引导提问者奖励并过滤训练数据，同时用冻结基座模型比较问题对以提供新颖性反馈。实验显

Anthropic 发布 Claude Haiku 5.5，并推出订阅用户 API 额度

Anthropic 发布快速低价模型 Claude Haiku 5.5，定价与 OpenAI 上月发布的 GPT-6 Luna 完全一致（10 万 token 内 $0.10/$0.50），但超过 10 万 token 后涨价 5 倍，而 Luna 在 27.2 万 token 才小幅涨价。Haiku 5.5 采用更不慷慨的分词器，同一提示词 token 数

另有 2 家信源报道

mradermacher 发布 Qwen3.5-9B-Kimi-k3 蒸馏模型 GGUF 量化版

开发者 mradermacher 在 Hugging Face 上发布了 Qwen3.5-9B-Kimi-k3-Distilled 的 GGUF 量化版本，提供从 Q2 K 到 f16 的多种量化格式以及多模态补充文件。该模型基于 khazarai/Qwen3.5-9B-Kimi-k3-Distilled，使用 greghavens/kimi-k3-codi

重新思考跨分词器在线策略蒸馏：从对齐覆盖到监督可靠性

该论文研究跨分词器（cross-tokenizer）的在线策略蒸馏（On-Policy Distillation），探讨扩大师生预测对齐覆盖范围是否能提升学习效果。作者在数学推理和代码生成任务上测试了三组异构师生模型对，发现严格的1:1对齐分组已覆盖大部分学生生成token，且共享词表保留了几乎全部概率质量。实验表明，将反向KL限制在学生选定的共享词表top

DBRAG：面向复杂数据库查询的多表检索增强生成

该论文提出 DBRAG，一个面向多表问答的检索增强生成框架。它先用离线表索引检索候选表，再用查询相关行丰富表摘要并由 LLM 重排序，最后通过程序辅助推理器选择所需表并在完整内容上执行操作。在 Spider、GeoQuery 和 ATIS 数据集上的实验显示，该方法在表检索和多表问答上均有提升。

医学图像对齐评估：前沿多模态模型通用视觉推理测试

该研究将医学图像对齐评估作为检验前沿多模态大模型通用视觉推理能力的测试任务，评估了多代MLLM在两种医学图像对齐任务上的表现，并对比了本地微调小模型和任务专用CNN。结果显示，仅几个月前发布的模型泛化能力差、部分场景接近随机水平，而GPT-6在几乎所有测试场景（包括零样本）中准确率超过85%。微调本地模型在训练任务上可匹敌或超越前沿模型，但迁移到未见场景时效