推理能力

挑战感知知识招募与元智能体监督用于医疗多智能体推理

该论文提出一种“挑战感知的知识招募”方法，用于医疗多智能体推理：由外部元智能体 Challenger 检查推理轨迹并识别具体知识缺口，再触发针对性检索或中途招募专科智能体。在 MedAgentsBench 困难子集（862 题、9 个生物医学数据集）上，挑战感知的中途检索在 8/9 数据集上提升准确率，比仅用 Challenger 高 6 个百分点；Chal

Weaver：通过增量推理编织偏好证据的个性化RAG框架

该论文提出 Weaver，一个面向个性化检索增强生成（RAG）的框架，通过双层检索与推理图（上层意图依赖图、下层记忆条件检索轨迹图）增量地整合分散在历史对话中的用户偏好证据。其核心模块包括依赖信息缺口追踪、记忆条件增量检索和范围感知组合推理，用于区分互补、替代与冲突的偏好证据。在 PersonaMem 和 PrefEval 基准上，Weaver 分别达到 8

新开源基准揭示推理是AI云运维的最大瓶颈

密歇根大学Ang Chen团队发布开源基准CloudOpsBench 1.0，包含45个AWS云上DevOps任务，用于评估AI智能体处理修复服务、删除资源、限制权限等典型运维任务的能力。测试中表现最好的Claude Fable 5.1仅解决60%的任务，GPT-6 Astra解决53%。团队分析发现约80%的失败源于推理问题（误判任务范围、未检查所有相关服

Astra 微调 0.016% 权重，Qwen 数学成绩提升近 6 倍

MIT CSAIL 提出 Weight-Space Programming 方法，让 GPT-6 Astra 直接读取并编辑其他神经网络的内部权重。Astra 仅修改 Qwen3.5-0.8B 约 0.016% 的参数，就将其 MATH-500 成绩从 7.9% 提升到 48.1%，并大幅减少 3 万 Token 死循环。研究还展示了 Astra 仅凭权重识

大型推理模型早停方法综述与效率可靠性实证审计

该论文对大型推理模型（LRM）的早停方法进行了综述与实证审计，在五个推理模型上覆盖数学、科学推理、代码生成和事实性任务，采用共享 rollout 重放协议评估。作者提出 Target-Integrated Token Efficiency（TITE）指标衡量相对 oracle 的效率，并发现后续位置的正确率可能低于解码噪声模型预测，强制终止后模型仍会继续推理

语义自一致性：通过语义加权增强语言模型推理

该论文提出语义自一致性（Semantic Self-Consistency）方法，在传统自一致性框架基础上，对多条推理路径进行语义向量嵌入分析，而非仅对最终答案做多数投票。作者使用BERT系列模型（RoBERTa、SciBERT）对推理路径做向量化，通过语义加权和过滤机制重排结果、剔除退化或幻觉输出。在AQuA-RAT、SVAMP、StrategyQA三个数

研究发现：LLM 发展速度已超出解释它的研究

斯坦福研究者 Owen Queen 与 James Zou 检验了 50 条被广泛引用的 LLM 结论，在 20 个模型上复测后发现 44% 已「过期」，有预估期限的 22 条结论平均寿命仅 15.7 个月。关于模型「做不到什么」的结论失效最快，而偏好与倾向类结论更持久；幻觉引用等能力缺陷在部分新模型上消失，但不同模型间差异巨大。研究者据此呼吁论文应标注具体

笔记本上的 Qwen 3.8 27B 也能解读模型权重

博主 Simon Willison 复现了论文《Sparks of Weight-Space Programming》中的实验：该论文称 GPT-6 Astra 等前沿模型能直接读取和修改神经网络原始权重，例如识别网络训练的游戏、在无梯度条件下修改 Qwen3.5-0.8B 的 0.016% 权重，将 MATH-500 从 7.9% 提升到 48.1%。Wi

Liquid AI 发布 LFM2.5-1.2B-Thinking 端侧推理模型

Liquid AI 发布 LFM2.5-1.2B-Thinking，一款面向端侧部署的 1.2B 参数通用推理模型，基于 LFM2 架构，预训练规模从 10T 扩展至 28T tokens 并加入多阶段强化学习。官方称其在 AMD CPU 上解码速度达 239 tok/s、移动 NPU 上 82 tok/s，内存占用低于 1GB，首日支持 llama.cpp

MIT：GPT-6 Astra 直接改 Qwen 权重，数学能力涨 6 倍

MIT 团队实验显示，GPT-6 Astra 可直接读取并编辑小模型权重：对 Qwen3.5-0.8B 仅改动 0.016% 权重，MATH-500 得分从 7.9% 升至 48.1%，指令执行能力提升约 3 倍，全程未用训练或梯度下降。Astra 还能从权重中识别网络用途、定位归纳头，并从零写出小游戏网络权重，得分超 PPO 基线 20 倍。团队将这套方法

另有 1 家信源报道

IFM 发布 K2-Horizon-7B 开源模型

IFM 在 Hugging Face 发布 K2-Horizon-7B，这是 K2-Horizon 系列的中等规模稠密解码器模型，拥有 512K 原生上下文窗口，并采用 Apache-2.0 开源许可。模型提供中间检查点、Diffusion Adapters 以加速推理，且训练数据、配方、代码与评测资源全部公开。基准测试显示其在数学、编程与科学推理任务上优于

Google 2026 年 10 月 AI 进展：Gemini 4 Argon 与 Carbon 等发布

Google 发布 2026 年 10 月 AI 进展汇总：推出前沿推理模型 Gemini 4 Argon 并全球上线，两周后宣布面向长周期工程与网络安全防御的 Gemini 4 Carbon 进入预发布测试；同时发布实时交互世界模拟 Genie 4、智能健身追踪器 Fitbit Edge、开源多模态嵌入模型 EmbeddingGemma 2，并扩大 Syn

R²Orch：通过自博弈与技能内化循环实现智能体编排的递归自我改进

该论文提出 R²Orch，一种基于递归自博弈的智能体编排训练范式：内循环让编排器在自选任务上自我提升，外循环优化内循环的学习方式，并通过「递归可学习性」奖励 Proposer 选择技能撤除后结果仍不确定的任务，配合技能撤除机制逐步走向零技能部署。在十二个数据集上，零技能配置的 9B 编排器在问答、数学、代码和交互任务上均优于基线，分布内平均分从 86.0 提

Drone-PUR：无人机场景视觉线索发现与推理基准

天津大学等机构的研究者提出 Drone-PUR，一个面向无人机场景的视觉线索发现、理解与推理数据集和基准，包含 11 项任务、17.5 万训练样本和 2 万测试样本，覆盖单图、图像序列、跨模态图像和多视角。评测 22 个通用视觉语言模型后发现，它们在空间判断、跨模态与跨视角推理上存在持续局限，且感知能力更强的模型推理表现更好。团队还基于 Qwen3-VL 分

迈向AGI的扩展是否取决于System-1让System-2执行什么？

该论文提出「条件交互」框架：由轻量、具备语义感知的 System-1 预测器先评估候选交互的效用，再通过自适应阈值筛选，只让资源密集的 System-2 执行值得付出成本的交互，并用执行结果更新 System-1。作者在理想筛选与等执行成本假设下推导出执行计算量可降至约 1/ρ u（ρ u 为效用相关交互密度），并给出由预测误差与效用间隔界定的选择遗憾上界。

XHToken 发布端侧模型 Spark-X2.6-4B 及 GGUF 版本

XHToken 发布 Spark-X2.6-4B 及其 GGUF 版本，这是一款面向端侧部署的 4B 参数通用语言模型。该模型沿用 Spark-X2.5-4B 的架构，通过改进后训练在编码、智能体、长上下文、多语言和推理等能力上取得提升，并支持 none/low/high 三档可控思考预算。官方称其在同类开源模型中达到领先水平，部分基准可匹敌约 9B 参数模

清华姚期智团队提出代数世界模型，让AI形式化推理

清华大学姚期智、袁洋团队提出「代数世界模型」（AWM），通过探索、凝炼、证明三步，将游戏环境中的现象抽象为代数结构并用 Lean 4 形式化验证。在 ARC-AGI-3 测试集上，基于 Opus 5 的 AWM 通关全部 183 个关卡，得分 99.9%，平均动作数仅为人类基准的 43%；面对无解关卡还能证明其不可能并给出最少所需步数。该工作试图让 AI 从

Ternary Bonsai 2 27B 去审查 v2 量化模型发布

开发者 BoldingBuilds 在 Hugging Face 发布 Ternary-Bonsai-2-27B-Abliterated-v2-PQ2 0-MTP-GGUF，基于 PrismML 的三值（ternary）2-bit 量化 Bonsai 2 27B 模型做“abliterated”（去除拒答）微调，并修改输出层中 token 的一行权重，使模型

ThinkJev：一次思考覆盖所有预算的校准型决策

研究者提出 ThinkJev，一种无需训练、基于单一混合思考模型（如 Qwen3 系列）的级联决策方法：System 1 直接读取选项字母概率作答，仅在统计检验保证错误率低于目标阈值时单独回答；其余决策升级到 System 2，在已缓存的同一提示上继续思考，并可在任意思考预算下读取同一答案槽的概率。在 8359 个测试决策上，Qwen3.5-27B 以 5%

OpenFrontiers：开放研究问题语料库与科学再发现基准

研究团队发布 OpenFrontiers，一个跨学科开放研究问题语料库（12,151 条记录）及配套基准 OpenFrontiers-Bench（200 道数学问题，含 Lean 4 形式化陈述）。在 HQ-50 子集上评估七个 LLM 智能体：闭卷条件下最多解出 40 道已解题中的 7 道，联网条件下最多 27 道但多为检索已发表解答，且无任何开放问题被解