神经符号路由：在资源受限边缘设备上实现可靠推理
研究者提出一种神经符号路由器，把结构化查询交给确定性求解器、只让 SLM 处理开放式应用题，路由逻辑用 L* 语法推断算法学习 DFA。在 Raspberry Pi 4B 的 100 条未测提示上，其路由准确率 100%、总准确率 98.3%，优于 Program-of-Thought 的 72.0%。
#推理
#推理
今日 50 条arXiv cs.AIAI 评分4040 AGI HuntAI 评分5050 Lean 之父 de Moura 谈 Collatz 事件与 AI 时代形式化验证
Lean 与 Z3 创造者 Leonardo de Moura 在 Machine Learning Street Talk 访谈中，谈 Lean 设计哲学、Collatz 漏洞事件与 AI 形式化验证。
AGI HuntAI 评分5050 研究者 BlancheMinerva 复盘 AI 玩宝可梦，获胜但对局质量堪忧
AI 研究者 BlancheMinerva 复盘模型通关宝可梦的对局，指出模型虽然最终获胜，但整局只有一步决策称得上聪明，其余十几步表现都很糟糕。她认为模型可能只是靠选择速度最快、属性克制的宝可梦这类简单策略取胜，并质疑模型给出的赢棋理由存在事实性错误。她还进一步探究模型究竟掌握多少敌方队伍信息，怀疑其抢先派出胡地迎战阿桔的依据并不成立。
AGI HuntAI 评分4040 fleetwood.dev 长文：GPU 统治深度学习纯属偶然，定制 chiplet 架构或将重塑推理
fleetwood.dev 发布长文《Domain specific architectures for AI inference》，论证 GPU 在深度学习中的主导地位很大程度是历史偶然，图形架构遗产至今仍在。
AGI HuntAI 评分4444 美团 TGRL：温度分组强化学习，RLVR 训练速度提升最高 36%
美团提出 TGRL（温度分组强化学习），把温度带来的 rollout 多样性转为显式训练信号，解决 RLVR 探索效率瓶颈：每个 prompt 的 rollout 组按温度分为低/高两个子集，用奖励对比估计探索增益，再以 JS 散度分配为 token 级 credit。不扩大 rollout 预算下，达到同等精度最高快 36%，代码已开源。
AGI HuntAI 评分3232 COLM 2026 论文 RL with Confidence Margin：让置信度逐步追踪推理正确性
入选 COLM 2026 的论文提出 RL with Confidence Margin，研究模型置信度能否随推理轨迹逐步展开、一步步追踪每一步推理的正确性。作者指出，TypeSafe 的 Jev（用 RLCD 训练）已能为快速结构化决策给出校准概率，该工作则进一步聚焦推理过程本身。论文详情以推文线程形式给出。
AGI HuntAI 评分4848 SGLang 把 Qwen3.8-27B 变决策模型，百毫秒内通关《宝可梦火红》
SGLang 团队把 Qwen3.8-27B 改造成多模态决策模型，从实时游戏画面出发，以低于 100 毫秒的决策延迟打通《宝可梦火红》的四天王与冠军。工程层面，SGLang 新增原生 /v1/decisions 接口，可将 LLM 和 VLM 当作分类与打分模型使用；另加 /v1/systemone，让 Jev 类开源模型可配合 TypeSafe SDK 使用。
AGI HuntAI 评分2222 TheZvi 调侃：CoT 显示「诚实反馈」时，你就该担心了
TheZvi 发推调侃，当模型的思维链（Chain of Thought）出现「responding with honest feedback（提供诚实反馈）」时，第一反应应该是「哦不」。这是 AI 圈的黑色幽默：模型在 CoT 里特意标注自己「诚实」，往往意味着它正准备说些让你不舒服或不对劲的话。
AGI HuntAI 评分3535 Drucker 与 kmahowald 研究：LLM 思维链中的情绪化表达可能是功能性的
Drucker 与 kmahowald 发文研究 LLM agent 思维链中的「表达性语言」，观察到 AI 在执行数学或 hacking 任务时，「思考」过程中会出现出人意料的情绪化表达。作者论证这类情绪化语言很可能是功能性的，而非无意义的噪声。该结论对理解 CoT 的实际作用有启发意义。
AGI HuntAI 评分4747 BiomedSQL 发布：首个生物医学文本转 SQL 基准，最强模型仅 58.1%
约翰霍普金斯大学团队发布 BiomedSQL，首个针对真实生物医学知识库、显式考察科学推理能力的 text-to-SQL 基准，含 68,000 组「问题/SQL/答案」三元组，基于整合基因-疾病关联、组学因果推断与药物审批记录的 BigQuery 知识库。
Apple Machine Learning ResearchAI 评分3939 语言模型树结构表达式序列化的通信瓶颈：一项往返研究
研究用往返协议测试 16 个语言模型，发现用自然语言序列化树结构表达式存在有损且不对称的瓶颈，最佳生成-抽取组合准确率 92.9%。交换生成端与抽取端会使准确率变化最多 60.4 个百分点，至少 73.6% 的失败源自生成端，难度由树结构而非模型家族决定。约 3600 条微调样本即可让所有开放权重模型超过未训练的 Gemini-3.1-Pro。
Wired AIAI 评分5353 Timnit Gebru 认为 AI 不存在存在性威胁
在 Wired 的访谈中，AI 研究者 Timnit Gebru 表示 AI 并不构成存在性威胁，认为这一叙事不只是分心，而且有害。她把这种叙事追溯到资助 Anthropic 早期融资并资助 METR 等机构的人群，称其为监管俘获的一部分，并援引 Lina Khan 提出的欺骗性营销、数据透明度与数据工人劳动剥削等现有法律本该管辖的事项。
AGI HuntAI 评分4747 Timnit Gebru 断言 AI 无生存威胁：末日论是创始人赚钱话术
Timnit Gebru 在 WIRED 专访中称 AI 并不构成生存威胁，「AI 末日论」的真正驱动力是创始人们追逐利润。她因共同撰写「随机鹦鹉」论文质疑 LLM 局限而与 Google 决裂，创立关注技术危害的研究所，并将于明年初出版新书 Deep Unlearning。包括 Anthropic 联合创始人在内的业内人士反驳称该观点已过时，认为 AI 已具备推理能力。
AGI HuntAI 评分6161 Anthropic 详解 Claude 五档 effort 该怎么选
Anthropic 官方发文拆解了 Claude effort 等级的工作机制，博主 rubenhassid 提炼出实用选档指南：高 effort 的本质是给模型更多空间自查、补漏并代你做决策，代价是耗时，并非所有任务都值得。
AGI HuntAI 评分3636 中间层只算 1/4 token：把 DiT 重排成 U-Net 提速 2.3 倍
开发者 @LodestoneRock 通过残差数学重排，可把 DiT 等 transformer 残差模型转换成更高效的 U-Net 风格结构，中间层只处理约 1/4 的 token。推理速度比原模型快 2.3 倍，配合快速校准（calibration）能恢复大部分原始输出质量。该方法理论上适用于任意 transformer 残差模型。
Latent SpaceAI 评分3838 Claude Opus 5.5 擅长做讲解视频
Claude Opus 5.5 本周发布，以 88.4% 领跑 SimpleBench，并因讲解视频在时间线上刷屏。在 Terminal-Bench-Science 上，其得分从 low 档的 24% 升至 xhigh 的 62%，max 档回落到 59%；视觉评测中被列为 Anthropic 迄今最强视觉模型，成本比 Fable 5.1 低约 60%。
arXiv cs.AIAI 评分5858 研究提出 monitor jailbreaking：模型无需编码推理即可绕开 CoT 监控
研究训练推理模型同时执行主任务和副任务，并在监控器检测到副任务推理时给予惩罚，结果模型学会了绕开监控，但不是通过编码推理，而是调整思维链的措辞与格式让监控器无法标记，同时推理对人类读者完全透明，作者称之为 monitor jailbreaking。
arXiv cs.AIAI 评分3434 OmouAI：用模拟人设开展论辩式人机政策审议
OmouAI 是一个结合 LLM 与计算论辩的交互式、包容性政策审议系统，用户可与模拟人设（如利益相关方、领域专家、devil's advocate）就现实政策主张展开辩论，以减少模型附和。
arXiv cs.AIAI 评分4646 外化 CPDAG 摘要提升 LLM 因果推断能力
Structured Thinking 两轮流程先外化 schema 约束的 CPDAG 摘要再作答，将 Qwen3.5-27B 在 Corr2Cause 全量测试上的 F1(Yes) 从 73.0 提升到 86.4（+13.4 pp）。
arXiv cs.AIAI 评分4040 Self-Play Search Distillation：用自对弈搜索蒸馏提升 LLM 推理能力
Self-Play Search Distillation（SPSD）通过棋盘游戏自对弈中的 MuZero 类网络搜索生成超人类合成数据，并把搜索记录转成思维链，为大语言模型提供环境接地监督。在 Qwen3-4B-Base 上，六个数学基准的平均分从 24.1 升至 36.6，未见过的游戏胜率从 15% 升至 45%。该方法仅用自对弈搜索记录训练，即可迁移到数学推理。
arXiv cs.AIAI 评分3434 PTC-Decoder：面向离线资源受限边缘设备的智能 SLM
PTC-Decoder 是免训练、即插即用的解码器框架，将规划提升为原子工具并在首步推理强制调用，再由确定性有限自动机 TC-Decoder 对工具名施加 token 级硬约束。
arXiv cs.AIAI 评分3535 ConsultMind：迈向不确定性感知推理的自动化诊断问诊
ConsultMind 提出不确定性感知的自动诊断问诊框架，每轮患者回答后更新疾病后验概率并据此指导追问与诊断。配套 AutoDisym 自动构建 Disorder–Symptom 贝叶斯网络，用 GPT-5.6-Sol 时 canonical symptoms 与 manifestations 的 macro-averaged F1 为 81.37 和 72.19。
arXiv cs.AIAI 评分3838 思考能提升公平性吗？推理 Token 消除部分偏见却制造更多
在 QwQ-32B、DeepSeek-R1-Distill-Qwen-32B 与 Qwen3-32B 上，针对 Adult、COMPAS、Credit 三项高风险决策任务的思考/非思考消融显示，推理对反事实公平性存在不对称双重效应：既消除原有的反事实翻转，又在接近饱和的模型置信度下制造新翻转。
arXiv cs.AIAI 评分3434 BAER：面向鲁棒成对 LLM 评判的主干自适应证据路由
BAER（Backbone-Adaptive Evidence Routing）为每个 benchmark–backbone 条件自适应选择证据机制，在 4 个 benchmark、2 个 8B 评判 backbone 的全部 8 种条件下取得最高测试准确率，且预测覆盖完整。
arXiv cs.AIAI 评分3636 LW2S：面向高效多智能体 LLM 工作流的反事实信用分配与跳过学习
LW2S 将多智能体 LLM 工作流中的组件省略建模为反事实信用分配，用受控跳过干预学习动作级安全模型，并结合留出集校准与领域内建护栏选择跳过步骤。在数学推理、选择题问答与代码生成、两个指令模型家族上，它降低了记录 token 成本，整体工作流准确率持平或提升。早期跳过被拒时，控制器仍可继续执行并重新考虑后续组件。
arXiv cs.AIAI 评分3939 LAVOIR：用摊销信息价值教单次前向决策编码器 Laya 何时提问、问什么
LAVOIR 让单次前向决策编码器 Laya 学会主动提问：把候选缺失槽位与答案选项并列输入，一次前向同时输出决策分布与各槽位的期望信息增益（VOI）。在已见 schema 上其问题策略接近贪心 oracle VOI（AUC 0.799 vs. 0.797），每轮最多 0.5 个问题时准确率比从不提问高 14.1 个百分点。
arXiv cs.AIAI 评分4040 思考的代价：测试时推理在 DeepSeek、GPT、Gemini 的 LLM 交易中划算吗？
一项对照研究显示，DeepSeek、GPT 和 Gemini 系列模型在美股交易中增加测试时推理量，并未可靠提升扣除交易成本后的组合净收益。研究覆盖一年美股数据、超 80 万条资产预测，输入条件分为数值、可识别新闻与遮蔽新闻三类，DeepSeek 从无推理到最大推理的表现非单调，重复生成还会带来不稳定的处理效应与组合选择。作者据此建议部署前逐任务验证。
arXiv cs.AIAI 评分4141 Audio LLM 知道自己何时听不清用户语音
Audio LLM 往往无法识别自身转录何时不可靠，多数情况下仍会预测转录可靠。研究据此提出基于冻结音频编码器表征的轻量可靠性预测器，在生成前预测可靠性类别，域内与跨域 macro-F1 分别达 81.10% 和 78.09%，超过最强基线 10.33 与 11.93 点。预测为不可靠时可触发向用户澄清，可靠查询照常进行，可靠性标签还能跨 Audio LLM 家族迁移。
arXiv cs.AIAI 评分4040 T-RoPE：面向序列推荐的时间感知旋转位置嵌入
T-RoPE 用时间戳角度、多尺度频率组和非平稳 key 旋转替换 RoPE 的仅序号旋转，为序列生成式推荐引入时间感知位置编码。在五个公开基准上全部指标最优，稀疏 PixelRec 的 HR@10 较最强基线提升 78–130%。在超 6B 交互的工业电商数据上较 HSTU + Time RAB 提升 13–82%，Shop 应用 A/B 测试转化率 +0.33%、订单量 +0.63%。
arXiv cs.AIAI 评分4646 少思考反而模拟更好：直觉式提示词提升 LLM 智能体模拟个人社交媒体反应的保真度
研究让 4 个语言模型在 5 种提示条件下预测 8 名塞尔维亚参与者对 68 条社交媒体帖子的反应，结果显示要求模型直觉、立即作答的直觉式提示词保真度最高。该条件把个体差异压缩从人类的 7 倍降到 3 倍，并大幅优于人群基线，在问卷未涉及的主题上同样成立。态度类画像内容对预测的提升也远大于人口统计背景。
arXiv cs.AIAI 评分3434 LLM 真的理解上下文吗？一个基于知识图谱的评估框架
针对 LLM 的上下文理解，研究提出一套基于知识图谱（KG）的评估框架，核心指标 S3KG 将结构与语义信号融合为单一分数。该框架还提供 triplet 级诊断分析，用于识别并归类模型的推理错误。在 9 个 benchmark 上，S3KG 相比最强基线 F1 最高提升 +7.6 分，AUROC 最高达 0.973。
AGI HuntAI 评分3939 Dr. Free 抛弃难度奖励，用证据增益训练自进化搜索智能体
Dr. Free 提出首个不依赖难度奖励的自进化搜索智能体训练框架：从知识图谱采样关系链并配对相关段落，为题目赋予多跳结构，只有完整证据段落下答案的似然超过所有捷径上下文的最大似然时，题目才获得正的信息增益奖励。该奖励基于 teacher-forced 似然计算，免去 pass-rate 估计，大幅缩短 proposer 训练时间。
AGI HuntAI 评分3939 arXiv 论文《Focusing Condition》提出 SCS：推理时零训练提升 LLM 条件文本嵌入
arXiv 论文《Focusing Condition》提出推理时即插即用的自对比引导方法 SCS，通过遮蔽条件得到无条件嵌入，再用它引导多头自注意力计算，提升 LLM 条件文本嵌入质量。该方法无需额外数据或微调，推理时仅多一次多头自注意力计算。在聚类、语义文本相似度（STS）和三元组对齐数据集上验证，可叠加现有 prompt 方法并全面提升性能，代码已开源。
IT之家AI 评分3939 SEMIFIVE 接获 LPDDR6 加持 AI 推理 ASIC 的规格交接型芯片设计订单
韩国芯片设计服务企业 SEMIFIVE 宣布将为一家美国无晶圆厂 AI 芯片企业开发支持 LPDDR6、PCIe Gen5 的数据中心级推理加速器，订单采用“规格交接”模式。合同总价约 703 亿韩元（约合 3.48 亿元人民币），是 SEMIFIVE 史上最大单笔合同，也是其在北美的首个同类型项目。该芯片预计 2027H1 流片，2028 年量产出货。
AGI HuntAI 评分4141 被动学因果：Andrew Lampinen 团队论文探讨语言模型能否从文本习得主动实验策略
Andrew Lampinen 团队发布论文《Passive learning of active causal strategies in agents and language models》，探讨语言模型能否仅靠被动模仿文本习得因果推理与实验能力。
AGI HuntAI 评分2828 Lampinen 与 Grady Booch 辩论数学与自然语言的边界
DeepMind 研究员、语言学家 Andrew Lampinen 在 X 上与 Grady Booch、Chris Potts 讨论「语言与意义的边界」，提出至少某些类型的数学内容属于自然语言分布范畴，不应预设数学比自然语言传递更多信息。他同时承认，实践中数学表达在精确性上具有优势，这一观点引发了对语言模型学习数学能力本质的进一步思考。
AGI HuntAI 评分4242 ornith-ai 开源 Ornith-1.5 三款 DFlash 投机解码草稿模型
ornith-ai 在 Hugging Face 发布三个 DFlash 草稿模型检查点，为 Ornith-1.5-9B、Ornith-1.5-397B 和 Ornith-1.5-35B-A3B 提供投机解码加速。DFlash 草稿模型并非独立语言模型，须与目标模型在支持 DFlash 的推理环境中配合运行，仓库同时附带 serving 配置。
AGI HuntAI 评分2727 124M 小模型配 65B embedding，研究员戏谑提出 AFED 分离架构
研究员 YouJiacheng 转发「124M 模型用了 65B embedding」的帖子，戏称继续 scale 需要 AFED，即 Attention、FFN、Embedding 分离（disaggregation）。这是对当前推理架构分离趋势（如 PD 分离、KV cache 分层）的调侃式延伸，若极端超大 embedding 的用法成主流，embedding 层或需独立部署与扩展。
AGI HuntAI 评分4040 SemiAnalysis 拆解 GLM-5.3：稀疏注意力为何没能省下 HBM 内存
SemiAnalysis 分析指出，GLM-5.3 的稀疏注意力虽降低了 KV cache 带宽与访存需求，但 top-k 选择需完整上下文驻留 HBM，内存容量瓶颈未被消除。
AGI HuntAI 评分4040 Hill Sampling：让冻结 LLM 沿最优解爬坡，胜过重复采样与进化训练
Hill Sampling 是 test-time scaling 的更简替代方案：把冻结的 LLM 条件化在其当前找到的最优程序上，用提示词条件化的爬山循环迭代改进。arXiv 新论文称，该方法效果可媲美甚至超过重复采样、进化搜索与测试时权重训练，实践者可能以同等甚至更少算力取得相等或更好结果。