FusionEval：大语言模型模型融合基准
研究团队提出 FusionEval 基准，用于系统评测大语言模型融合方法。该基准基于 Qwen3 和 Llama 构建数学、代码、科学推理、指令遵循和工具使用五个领域的独立专家池，统一比较免训练与需训练两类融合方法在八个公开基准上的能力保留率、运行时间和峰值显存。实验发现免训练方法能保留推理能力但显著损害工具使用，多教师在线策略蒸馏（MOPD）能力更均衡但计
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。
10月24日周六 · 1 条
正文结构化主题已通过公开置信门槛
10月23日周五 · 3 条
正文结构化主题已通过公开置信门槛
Kimi K3.1 泄露：3D 成本仅 GPT-6 Astra 的 1/14
Kimi K3.1 通过官方先导片彩蛋、API 配置文件和 Kimi Code 模型列表等渠道提前泄露，AI 博主实测显示其在 Three.js 3D 渲染、前端代码与交互场景表现突出，生成同等复杂度 3D 代码的 Token 消耗和成本远低于海外顶级模型，成本约为 GPT-6 Astra 的 1/14。SGLang 代码库合并请求还泄露其新增“Medium
正文结构化主题已通过公开置信门槛
稳定语义与优先语义一致性的路径方法
该论文研究抽象论证框架中优先语义与稳定语义何时一致的结构条件，提出基于攻击图中路径集合及其诱导二元关系的通用判定准则。作者证明该准则严格推广了Dung的有限争议性条件和SCC对称性条件，并引入两个无限路径集合序列，其中第一个序列通过坍缩定理将无限多个良基性条件归约为三个本质不同的条件。结果适用于有限与无限论证框架，并为稳定扩展的存在性提供充分条件。
正文结构化主题已通过公开置信门槛
检测不够：将推理轨迹作为可测试的程序假设
该论文研究在无参考解、无评判模型、无权重更新的条件下，如何验证大语言模型单条推理轨迹的可信度。作者在冻结的 LLaMA-2-7B-chat 上基于 GSM8K 测试发现，静态自检的 AUROC 仅达 0.741，因为 67.1% 的错误轨迹并未包含错误等式；他们提出将轨迹抽象为程序并扰动题目数量的变形探针，71.0% 的测试题可构造有效扰动，但该探针也会误驳
10月22日周四 · 1 条
正文结构化主题已通过公开置信门槛
用大模型自动评估心理治疗保真度
该研究提出用大语言模型自动化心理治疗保真度评估，以缓解人工专家审查的瓶颈。作者在420份真实长程CBT转录上评估三个开放权重模型，发现细粒度类别分解结合证据优先推理准确率最高，9B的Qwen3.5-9B系统偏差最小。研究还在独立RCT数据上验证了框架能区分CBT与非CBT会话，并通过专家用户研究确认其能生成可操作的临床督导反馈。
10月21日周三 · 7 条
正文结构化主题已通过公开置信门槛
推理窗口：LLM智能体何时决定遵循提示注入
该论文研究LLM智能体在阅读提示注入后何时决定是否遵循注入。通过分支重采样方法，作者发现开启思考模式后，决策从阅读时转移到推理过程中（Qwen3-8B的阅读时固定方差份额从0.91降至0.62），且思考对不同模型攻击成功率影响方向不一。研究还表明单次运行标签对思考型智能体噪声大，基准测试需每任务多次运行。
正文结构化主题已通过公开置信门槛
DavidAU 发布 Nemotron-3.5-Bolt 74B 的 IQ2 量化版，集成 Turbo Brilliance 系统
Hugging Face 用户 DavidAU 发布了基于 NVIDIA Nemotron-3.5-Bolt-74B-A9B 的 GGUF 量化模型，采用 IQ2 QAT 量化，可在 24GB 显存下运行。该模型集成了名为 Turbo Brilliance 的系统，提供 27 种推理模式和 27 种指令模式，以及 15 个 AI Constructs（预设角
正文结构化主题已通过公开置信门槛
DavidAU 发布 Qwen3.8-Flash-Next 无审查 Turbo-Brilliance GGUF 微调模型
Hugging Face 用户 DavidAU 发布了基于 SC117/Qwen3.8-Flash-Next-GSQ-RCO-abliterated-GGUF 微调的 GGUF 量化模型，宣称具备 120B/180B 参数、512 专家 MoE 架构，并集成 27 种推理模式、27 种指令模式及 15 个「AI Constructs」预设人格，支持在提示词或
正文结构化主题已通过公开置信门槛
DavidAU 发布 LFM2.5-24B Turbo Brilliance 微调模型
开发者 DavidAU 在 Hugging Face 发布了基于 LiquidAI/LFM2.5-24B-A2B 的微调量化模型 LFM2.5-24B-A2B-Turbo-Brilliance-50X-NEO-MAX-Imatrix-GGUF，主打名为 Turbo Brilliance 的系统，包含 27 种推理模式和 15 个 AI Constructs，
正文结构化主题已通过公开置信门槛
IBM 发布 Granite-4.2-8B 开源推理模型
IBM 发布 Granite-4.2-8B 开源推理模型，基于 Granite-4.1-8B-Base 构建，采用 decoder-only 稠密 Transformer 架构，原生支持 128K 上下文并可扩展至 512K。该模型内置 思维链，支持完整思考、非思考与低思考三档模式，并强化了推理增强的工具调用能力，面向推理、代码生成与 Agent 工作流。模
正文结构化主题已通过公开置信门槛
在 SageMaker HyperPod 上微调 GPT-OSS-20B 实现多语言推理
AWS 机器学习博客介绍在 Amazon SageMaker HyperPod 上对开源权重推理模型 GPT-OSS-20B 进行多语言推理微调。该模型默认用英语思考，在 50 例多语言测试中仅 22% 用目标语言推理（英语 100%，法/西/意 0%）。文章对比了监督微调（SFT）与 GRPO 强化学习：SFT 负责教会模型原本不具备的行为，GRPO 在模
正文结构化主题已通过公开置信门槛
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
10月20日周二 · 4 条
正文结构化主题已通过公开置信门槛
Aleph Alpha 开源 78B MoE 推理模型 Kolibri-1
Aleph Alpha 发布开源 MoE 推理模型 Kolibri-1，总参数 78B、每 token 激活 3.46B，聚焦德语和英语，支持显式推理模式与工具调用，上下文长度达 1,048,576 tokens。模型采用 FP8 权重，最低可在 2×A100 80GB 或单张 H200/B200 上部署，以 Apache 2.0 许可开放权重。其设计目标是
正文结构化主题已通过公开置信门槛
Vercel AI SDK 发布 ai@7.0.146 补丁版本
Vercel AI SDK 发布 ai@7.0.146 补丁版本，为实验性 decision 调用新增 maxOutputTokens 和 reasoning 参数，并将其转发给由语言模型驱动的决策；语言模型适配器在未指定时保持 reasoning 关闭，原生 decision 提供方在遇到不支持的设置时会发出警告。该版本还修复了裁剪工具调用时残留孤立 re
正文结构化主题已通过公开置信门槛
Claude新模型曝光：能跳出思维定势，修Bug治标又治本
据The Information消息，Anthropic新版Claude模型在内测中被评价为“重大飞跃”，在推理和直觉上更强，能识别bug背后的根本类问题而非只做表面修复，并更擅长跳出思维定式。同时谷歌正在开发代号Gemini 4 Carbon的新模型，内部员工称其编程能力与Claude Opus 5.5相当；OpenAI的GPT-6.1 Terra已出现在
正文结构化主题已通过公开置信门槛
MiniMax M3.1 Flash 发布：中国 AI 价格战未见底线
MiniMax 发布推理模型 M3.1 Flash，在 Artificial Analysis 智能指数上得分 42，比前代 M3 高 13 分，单任务成本却不到一半，约 0.22 美元。该模型在 Humanity's Last Exam 上达到 48%，在 AA-Omniscience 事实准确率上达到 56%，均超过 Deepseek V4.1 Flas
10月19日周一 · 3 条
正文结构化主题已通过公开置信门槛
从微服务到智能体：分布式系统的下一次演进
InfoQ 发表文章，探讨由大语言模型和推理系统驱动的 agentic AI 架构如何从微服务架构演进而来。文章指出，微服务解决的是服务分解问题，而 agentic 系统解决的是决策分解问题，执行路径在运行时根据上下文动态生成，而非在设计时完全确定。这种转变带来更强的适应性，但也引入非确定性执行、决策质量成为核心可靠性指标、故障常表现为推理质量静默下降等新挑
正文结构化主题已通过公开置信门槛
AI人才争夺引发大厂薪酬倒挂，应届生年包最高500万
雷峰网报道，大厂在HC收缩的同时仍高价争夺AI人才，基础模型岗位应届生年包可达200万元起步，部分顶档达400万至500万元，导致新老员工薪酬倒挂加剧。猎头指出，大厂基模团队对优秀人才照单全收，应用侧岗位则在收缩，普通AI人才求职难度上升。DeepSeek、Kimi、智谱等年轻模型公司以不同招聘逻辑吸引人才，海外公司反向挖角中国大模型人才的现象在2025年尤
正文结构化主题已通过公开置信门槛
仅用语义ID作为物品表示的推理重排序
该论文提出 ReRankID 测试平台，研究仅用语义 ID（SID）作为物品表示进行推理重排序。实验发现现有模型在仅见 SID 时倾向于照抄输入顺序而非真正重排序，可读元数据也无法修复该失败。作者比较了监督微调、拒绝采样自训练、在线策略蒸馏和基于验证器的强化学习等后训练方法，发现它们能激发缺失的重排序行为；其中用分级排序奖励训练的 8B 模型在仅 SID 条
10月18日周日 · 1 条
正文结构化主题已通过公开置信门槛
新基准 Taste-Bench 揭示 AI 智能体长期决策品味差，最佳模型仅 59.7%
微软与香港城市大学的研究者提出 Taste-Bench，用「决策分叉」方法评测 AI 智能体在长任务中做长期决策的能力（即「品味」）。测试 14 个模型，最好的 GPT-5.6 Sol 仅 59.7%，接近随机猜测；当关键线索只在后续工作中出现时，准确率跌至 21%。研究者还通过蒸馏教师模型判断力，使学生模型在未见任务上从 30% 提升到 47.9%，并在