推理能力

Veloxy AI 发布 Veloxy-Flash-15B Faz 11 GGUF 量化模型

Veloxy AI 在 Hugging Face 发布 Veloxy-Flash-15B Faz 11 的 GGUF 量化版本（i1-Q6 K，6.84 GB），基于 Qwen 架构，主打类 OpenAI o1/o3 的动态思维链与跨语言内部推理（内部用英语/逻辑符号，对外输出土耳其语），并支持 512K YaRN 上下文。模型以 Apache 2.0 许可

Claude 不到 30 分钟破解 NSA 25 年椭圆曲线种子之谜

Anthropic 的 Claude 在不到 30 分钟内破解了一个困扰业界 25 年的 NSA 椭圆曲线种子来源之谜。NIST 于 2000 年标准化的 ECDSA 曲线参数由 NSA 提供种子值，但从未解释其生成方式，引发后门疑虑。Claude 发现这些种子来自以 1997 年 5 月至 1998 年 4 月间 Unix 时间戳初始化的 C 语言随机数生

另有 1 家信源报道

基准饱和后利用解答记录评估模型能力

该研究探讨基准测试饱和后如何继续评估模型能力。作者利用历史基准和模型发布数据回溯模拟饱和，测试仅访问已饱和基准中正确解答记录的方法能否预测模型在未饱和任务上的能力。结果显示，饱和基准的解答记录仍保留超出准确率的能力信息，其中成对LLM评判效果最佳，预测误差比仅用饱和基准分数的基线降低5.27；但现有协议在分布偏移下并不总是稳健。

AlphaDiana：可验证推理任务中的智能体测量系统

香港浸会大学等机构的研究者提出 AlphaDiana，一个用于可验证推理任务中智能体评测的测量系统，提供数据集、智能体、环境和评分器的模块化接口，并能在匹配条件下对工具、技能、记忆等组件做微观干预。研究在五个基于答案的基准上测试了三个开源模型与三个开源 harness，另有两个模型在交互式基准上测试，发现 harness 并不稳定提升推理准确率，技能引导与历

DavidAU 发布基于 Qwen3.8-27B 的 Turbo Brilliance GGUF 微调模型

开发者 DavidAU 在 Hugging Face 发布了基于 Qwen/Qwen3.8-27B 的 GGUF 量化微调模型 Qwen3.8-27B-Turbo-Brilliance-50X-Reasoning-Instruct-NEO-MAX-MTP-GGUF。该模型主打所谓 Turbo Brilliance 系统，提供 27 种推理模式、27 种指令模

IsValorum 发布 Qwen3.8-27B EfficientThink VAL-APEX-I MiniPlus V3 GGUF 量化版

Hugging Face 用户 IsValorum 发布了 Qwen3.8-27B-EfficientThink 模型的 VAL-APEX-I MiniPlus V3 GGUF 量化版本，文件大小 13.91 GB，整文件 BPW 为 4.14，WikiText-2 困惑度为 5.5923。该版本声称修复了旧版存在的循环状态不稳定、上下文退化和语言混用问题，

谷歌 Gemini 4 Argon 逼近 AI 前沿，但测试方法与数学编码仍存短板

Google DeepMind 发布新前沿模型 Gemini 4 Argon，在 ARC-AGI-3 基准上以 97.5% 的成绩成为继 OpenAI 之后第二家突破 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。但该成绩依赖使用厂商特定功能的 Provider Adapter Harness 测试环境，在仅允许简单笔记的 Standar

AURA：效用引导的自适应推理实现高效文本检索

该论文提出 AURA 框架，将面向检索的推理建模为效用引导的计算分配问题，直接监督中间推理状态对相关文档与困难干扰项的区分能力，并训练轻量级效用估计器在推理时自适应决定推理深度。在 BRIGHT 基准上，AURA-4B 以平均 2.8 步推理、每查询 96 个生成 token 达到 34.7 的 nDCG@10，自适应停止将延迟从 4.6 秒降至 0.76

PRISM：基于特权兄弟图引导的多智能体拓扑设计

该论文提出 PRISM 方法，用于改进基于大语言模型的多智能体系统（MAS）的协作拓扑生成。现有方法通过对已验证图语料进行持续监督微调（SFT）来训练拓扑生成器，但语料只列出成功图而不排序，导致生成器偏向高频拓扑，且存在训练与推理的轨迹不匹配问题。PRISM 通过特权信息学习：教师模型借助零初始化低秩分支读取同一查询下另一个成功图（部署时不可用），让学生在自

WorldCast：多步世界状态预测的视觉生成基准

来自清华、美团 LongCat、港中文、北大、MBZUAI、上交、华科的研究者提出 WorldCast 基准，用于评估多模态生成模型在多步世界状态预测中的能力。该基准包含 8 个类别共 320 个人工设计案例，评测了 12 个代表性模型。结果显示 GPT-Image-2.5 System 得分 72.8，展现出初步的真实世界视觉状态预测能力，而 Nano B

RLVR域外增益有多少来自答案格式？

该论文研究RLVR（可验证奖励强化学习）在域外基准上的增益有多少来自答案格式变化而非实际能力提升。作者用固定提取器重新评分四个已发布的7B SimpleRL基座-RL模型对，发现MMLU、MMLU-Pro和ARC-Challenge上82%的域外多选题增益是格式增益——基座模型本已在文本中给出答案，RL只是把答案移入\boxed{}中，而公开代码的提取器优先

Meta 与 Apple 合作，让 Muse AI 模型在 Mac 上运行更佳

Meta 发布开源权重模型 Muse Spark Open，宣称是迄今最强的美国开放权重模型，也是同类中首个可在桌面端运行、需两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio。Meta 与 Apple 罕见合作，双方 CEO 公开互相支持，Meta 首席 AI 官称两家公司已协作数月。该模型为原生多模态，总参数 8160 亿，

上海AI实验室书生-S2助力三维Ghys猜想证明并通过形式化验证

上海人工智能实验室访问学者、大湾区大学教授许地生团队依托书生科学多模态大模型S2（书生-S2），通过人机协同完成三维Ghys猜想证明，北京大学董彬教授、刘若川院士团队利用SHEAF框架完成形式化验证并通过Lean检验。攻关中书生-S2完成7批接续推演，问题图从15个节点扩展到389个，输出上千页推导，相关论文已在arXiv发布、形式化代码在GitHub公开。

LLM 能否调用世界知识做事件预测？DescribeEvent 基准给出接口解法

该研究探讨大语言模型能否利用其预训练世界知识进行时间事件预测。作者提出，LLM 此前表现不佳并非知识不可用，而是接口设计问题，并给出两项设计：为每个事件提供自然语言描述，以及将事件语义与预测空间解耦（使用无语义的符号标签）。为此他们发布了 DescribeEvent 基准，包含 7 个数据集、6 个领域共 15 万个事件，实验显示能力较强的 LLM 在同时使

基于局部信赖域优化的在线蒸馏 Token 效用

该论文提出一种用于在线策略蒸馏（OPD）的 token 效用度量方法，从蒸馏目标本身推导 token 重要性：在相同局部 KL 预算下，每个位置能带来多大损失下降。作者据此提出 Fisher Utility Weighting（FUW），一种连续、均值归一化的 token 加权方案。在七个数学推理基准和三个 Qwen3 学生-教师对上，FUW 在 rever

人工性首考：面向超智能的LLM参照C-test

该论文提出了一种名为 ONE 的新型 C-test，利用大语言模型作为通用图灵机来生成和认证难度可量化的逆问题测试项。测试项难度基于条件 Levin 复杂度，以比特为单位在比率尺度上衡量，可在人类或前沿模型解决之前生成高难度题目。作者构建了轻量级生成与认证流程，并对十二个 LLM 进行了测试，得到了随难度下降的智能体特征曲线，覆盖了超出当前前沿智能的超智能窗

逆推理模型：仅用答案数据的高效后训练与验证

该论文提出一种逆推理模型（inverse reasoning LLM），将思维链（CoT）视为隐变量，在仅有答案的问答数据上训练一个以答案和问题为条件生成推理轨迹的辅助模型，从而实现高效的离线自蒸馏后训练。在 Qwen3-0.6B 上针对 Countdown 和 GSM8K 任务，GRPO 训练饱和后经一轮离线蒸馏，困难提示的 pass@1 约翻倍，并在 C

RCER：为迭代式RAG重建跨证据关系

研究者提出 RCER，一种迭代式检索增强生成（RAG）方法，通过从累积的源段落中重建跨证据关系来改进多跳问答。该方法包含轮间关系证据获取、推理上下文重建和跨证据组合推理三个环节，用于动态分解问题并指导检索。在三个多跳 QA 基准上，RCER 平均比最佳基线提升 2.83 EM 和 3.06 F1，并在叙事与隐式推理任务上表现更优。

CoRE：面向结构化知识检索的协同自适应规则路由与约束

该论文提出 CoRE 框架，用于结构化知识检索，无需预定义的查询-规则对监督。CoRE 通过强化学习训练路由智能体为每个查询分配推理规则，并通过对比学习训练规则约束检索器，二者交替优化、协同适应。在 STaRK-QA 数据集（科学发现、生物医学推理、电商企业知识管理）上验证了其优越性，消融实验表明路由与检索器协同适应有效，生成式路由具备跨数据集迁移能力。

Google DeepMind 发布 Gemini 4 Argon 机器人物理推理模型

Google DeepMind 发布 Gemini 4 Argon，一款面向机器人领域的通用物理推理模型，在 Embodied Reasoning（ERQA）基准上以纯推理取得 87% 成绩，超越其他前沿模型。该模型可覆盖机器人全生命周期，包括控制 Boston Dynamics Spot 四足机器人学习踩踏板扔易拉罐、操控机械臂扶正杯子并放入纸巾、在 Ge