Highlight-Then-Summarize（H2S）：压缩证据提升长上下文理解
北京大学、百度与清华团队提出 H2S（Highlight-Then-Summarize）：先定位问题相关的原文证据，压缩为紧凑摘要再作答。在七任务 H2S-Bench 上，H2S-14B 于 128K 输入、4K 输出预算下平均得分 32.60，超 Qwen3.8-27B 10.17 分。该模型为评测开源模型中最强，4K 输出下保留 16K 预算性能的 97.1%。
#推理
#推理
今日 50 条arXiv cs.CLAI 评分4040 arXiv cs.CLAI 评分5353 RAG 过期检索证据会覆盖模型正确答案，论文构建 317 例知识反转基准
论文识别出 stale-document poisoning（过期文档投毒）现象，即模型在不检索时能答对，检索到过期证据后答案反而被覆盖。作者构建覆盖医学、法律、软件和平台政策的 317 个已验证知识反转基准，在 12 个模型上测试：过期检索让 Llama 30%、Qwen 37% 的回答翻转，加上显式遵循文档的指令后分别升至 66% 和 75%。
arXiv cs.CLAI 评分3030 用 LLM 与知识图谱引导推理建模学生的意义建构
在 23 段专家标注的协作学习对话上，两个中型 LLM 无需任务特定训练即可开展意义建构的多维分析，启用推理的提示词能纠正无推理时高估成功案例的偏差。知识状态诊断进一步提供依据，提升了失败意义建构的检出率以及与专家标注的一致度。没有任何单一配置在所有意义建构维度上表现最佳，凸显该任务的多维属性。
arXiv cs.CLAI 评分5151 研究评估 DeepSeek、Qwen、豆包在中文事实问答中的迎合行为
该研究分析了 DeepSeek、Qwen、豆包三个中文大模型在 12,165 个来自真实中文搜索查询的是非事实问题上的迎合行为，覆盖 364,941 条回答。研究在有无推理两种模式下对比基线、用户信念注入和反迎合提示三种设置，并区分与错误信念一致的错误和由正确转为不确定的答案。结果显示推理并非一贯的防线，反迎合指令能在减少错误认同的同时增加不确定性。
arXiv cs.CLAI 评分2828 用扰动强度改进 LLM 解释的自一致性评估
研究提出用 LLM-as-a-judge 统一衡量输入扰动与 CoT 扰动的强度，并在受控强度条件下评估多个 LLM 生成解释的自一致性。实验显示，该基于 LLM 的扰动强度度量优于嵌入向量和概率方法，且输入扰动对 LLM 的影响普遍强于 CoT 扰动。研究据此认为，只有在同一扰动类型内比较，对模型自一致性的判断才算公平。
arXiv cs.CLAI 评分3535 超越平均注意力：面向 KV cache 驱逐的多样性感知分层打分
针对 SnapKV、PyramidKV 等只按平均注意力排序 token 的 KV cache 驱逐方法，该研究提出加入注意力离散度与冗余惩罚的统一打分，其相似度惩罚无需额外前向。
arXiv cs.CLAI 评分3535 通过在线策略蒸馏实现推理的递归自我改进
研究提出由 DCE 与 SRCL 构成的递归在线策略蒸馏框架，让特权教师模型与学生共同演化，在四个竞赛级数学基准上超越 OPSD。在 Qwen3-8B 上，DCE+SRCL 达到 65.97% Average@12，比 OPSD 高出 35.62 个百分点。SRCL 额外以模型自身在线响应更短、经核验的改写进行训练，使平均输出长度较仅用 DCE 减少 7.80%。
AGI HuntAI 评分3636 国际象棋 AI 对手怎么「输得像人」？开发者探讨可信失误的设计难题
一位开发国际象棋 AI 对手的开发者收到反馈：测试玩家吐槽 bot 失误得「有意图、要合理」——它把皇后撤离车攻击后，下一步又送回险地。其方案混合 Maia 与 Stockfish 加自定义选步规则，却常像两个不同棋手在轮流行棋。作者认为人类失误源于注意力焦点与执念而非随机走差，难点是建模「可信的盲点」和「思路的延续性」，又不变得可预测，帖子正征集同类经验。
AGI HuntAI 评分4747 Claude Opus 5.5 领跑 SimpleBench，代码模型变身解释视频引擎
Claude Opus 5.5 以 88.4% 领跑 SimpleBench，推理强度提到 xhigh 时 Terminal-Bench-Science 由 24% 升至 62%，但 max 反降到 59%。它被评为 Anthropic 史上最佳视觉模型，成本比 Fable 5.1 低约 60%。Opus 5.5 与 GPT-6 Astra 还能纯用代码生成视频动画。
AGI HuntAI 评分3838 斯坦福研究者点破 LLM 验证软肋：「核查」无法形式化保证
斯坦福研究者 Michael Zlin 指出，LLM 在科学发现任务中的「核查」环节无法形式化验证：即使模型生成的候选集覆盖足够，也没有任何机制能保证模型真的验证了一条声明，而不是生成一段听起来很流畅的验证文本。他认为输出流利不等于推理可信，形式化保证的缺失是当前 LLM 做科学验证的硬伤。
AGI HuntAI 评分5555 ValsAI 让 10 个 Claude Sonnet 5.5 智能体用 Lean 15 小时证出七电子 Thomson 问题
ValsAI 让十个 Claude Sonnet 5.5 智能体使用 Lean 定理证明器，在 15 小时内证出球面上七个电子的最低能量排布（Thomson 问题，N=7）。它们产出 17,895 行形式化证明并被 Lean 内核接受，结论为五角双锥构型。
AGI HuntAI 评分5353 研究：56 个 AI 基准×53 个模型，多项基准测不出宣称的能力
一项大规模研究借鉴社会科学中的聚合效度与区分效度概念，对 56 个 AI 基准和 53 个模型进行系统检验，发现部分基准并未真正度量其宣称测量的能力。研究指出基准影响 AI 的使用、治理与部署决策，结论对当前评测体系的有效性提出质疑。研究同时公开发布了 53 个模型、56 项基准的逐题输出数据集。
AGI HuntAI 评分4949 研究：偏差基准 BBQ 可能在测推理能力而非偏差
研究团队用聚敛与区分效度方法检验 AI 基准，发现偏差基准 BBQ 可能实际测量的是推理能力而非偏差。BBQ 常是商业模型发布中使用的唯一偏差基准，其结论可能被系统性误读。研究还公开发布了 53 个模型、56 项基准的逐题输出数据集。
SiliconANGLE：AIAI 评分3434 CoreWeave 扩展全栈 AI 云布局，承接增长的推理需求
CoreWeave 完成 Nvidia Vera Rubin NVL72 在 CoreWeave Cloud 上的行业首次 bring-up 与验证，推进面向智能体 AI 的全栈 AI 云布局。
Towards Data ScienceAI 评分4848 GRPO 如何用可验证奖励训练小语言模型
GRPO 让模型对同一问题采样多次作答，用可验证奖励为每个答案打分，再以组内平均奖励为基线比较各次尝试来更新模型，无需单独的 critic。该方法由 DeepSeekMath 工作提出，用以替代传统 PPO 的内存开销，文中用「6 箱每箱 8 件、卖出 6 件、答案 42」的算术题演示打分与优势计算。组内奖励完全一致时优势全为零，模型无法判断该偏好哪次尝试。
Simon Willison精选AI 评分8484 Claude Opus 5.5、GPT-6 Sol 与 GPT-6 Luna 发布，新一轮模型价格战开打
Anthropic 发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna，Simon Willison 记录了自己对这些新模型的定价观察与实测表现。
推荐理由：文章给出 Claude Opus 5.5、GPT-6 Sol 与 Luna 的最新定价和实测表现，可以看清这轮模型降价对调用成本的直接影响。
AWS Machine Learning Blog精选AI 评分6767 GPT-6 Sol 与 GPT-6 Luna 在 Amazon Bedrock 正式可用
OpenAI 的 GPT-6 Sol 和 GPT-6 Luna 在 Amazon Bedrock 正式可用，API 定价显著低于 GPT-5.6 前代。GPT-6 Sol 面向开发与运维中反复出现的复杂任务，GPT-6 Luna 面向大批量重复任务，两者都支持显式提示词缓存。OpenAI 的内部事实性评测显示，GPT-6 Sol 的事实性错误约为 GPT-5.6 Sol 的一半。
推荐理由：两款模型按复杂任务与高频任务分层，API 定价低于 GPT-5.6 前代，可据此判断日常负载的选型。
NVIDIA BlogAI 评分4949 NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首秀中性能领先
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首秀中，Qwen3-VL 吞吐量最高达 GB300 NVL72 的 3.7 倍。GB300 NVL72 凭 288 个 GPU 跨四机架实现 99% 扩展效率；v6.1 提交的软件优化较 v6.0 最高提升 1.6 倍性能。
NVIDIA BlogAI 评分4040 曼彻斯特大学用 NVIDIA Earth-2 预测全英空气污染
曼彻斯特大学用 NVIDIA Earth-2 生成式模型训练出覆盖全英的空气污染模型，分辨率 2-3 平方公里，在 Isambard-AI 的单个八卡节点上仅用两天完成训练。
Apple Machine Learning ResearchAI 评分4242 DACA-GRPO：面向扩散语言模型强化学习的去噪感知信用分配
DACA-GRPO 为扩散语言模型强化学习引入去噪感知信用分配，可作为任意 GRPO 训练器的轻量即插即用增强。在三种 GRPO 基线方法上，它在涵盖数学推理、代码生成、约束满足与 JSON schema 遵循等七个 benchmark 上取得一致提升，最高增益分别为 5.6pp、7.4pp、36.3pp 和 5.9pp。
NVIDIA BlogAI 评分4040 黄仁勋 Dreamforce 演讲：Salesforce 首个 CRM 推理模型 Koa 基于 NVIDIA Nemotron 3 Super 打造
NVIDIA CEO 黄仁勋在 Salesforce Dreamforce 与 Marc Benioff 同台，Salesforce 同期发布首个 CRM 推理模型 Koa，基于 NVIDIA Nemotron 3 Super 后训练构建。
Google ResearchAI 评分3737 绕过推理瓶颈：Google Research 用 Retrieve-for-Train 加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，用离线强化学习把奖励对齐的查询 fan-out 编译成监督信号，蒸馏进仅 53.9M 参数的扩散检索器，实现单次非自回归查询扩展。该框架微调 Gemma3-4B 和 Qwen3-4B，以集合级奖励评估整组结果，绕开零样本 LLM 的语义重复与数百个 CoT 推理 token 带来的自回归延迟。
OpenAI：官网动态精选AI 评分8787 OpenAI 分享 AI 生成的纳维-斯托克斯千禧年难题解答与 Lean 形式化证明
OpenAI 表示正在分享一份由 AI 生成的纳维-斯托克斯千禧年难题解答，包含一份说明文档和一份 Lean 形式化证明。该条目目前只有这一句简要描述，未提供更多细节。
推荐理由：AI 生成的纳维-斯托克斯千禧年难题解答以 Lean 形式化证明一并公开，读者可关注机器产出数学证明的呈现方式。
Google AI：DEV 作者专属AI 评分2828 深度解析：Google Gemini 3.8 模型及其技术能力
Google Gemini 3.8 模型强化了推理与自然语言理解能力，可实时处理数据并提供即时反馈，适用于客户支持自动化、金融数据分析与医疗诊断等场景。对哥伦比亚、西班牙及 LATAM 的企业而言，采用时需权衡成本效率、部署速度与文化适配。Norvik Tech 建议先确定具体用例并开展试点项目，衡量效果后再推进集成。
HuggingFace BlogAI 评分4646 BenchMIRT：LLM 基准测试究竟在测什么？
BenchMIRT 是一种在单条 prompt 层面审计 LLM 基准测试的新方法，基于多维 IRT。它用 100 个 LLM、16 个 benchmark、超 34K 道题的结果训练，未被告知各 benchmark 测什么，却独立恢复出安全与通用推理两大维度。分析还发现 BBQ、WMDP 的得分更贴近通用推理而非安全。
Google AI：DEV 作者专属AI 评分5656 Gemma 4 纯 JAX 移植实测：哪些能从 TPU 搬到 GPU，哪些不能
作者把一份手写的 Gemma 4 纯 JAX 端口跑在 Cloud TPU v5e、v6e 和 NVIDIA T4G 上，模型代码、编译缓存和静态形状无需改动即可跨这三种加速器复用。
HuggingFace Blog精选AI 评分6363 IBM 详解 Granite 4.2 系列 3B、8B、30B 推理模型的构建过程
IBM Granite 团队发布 Granite 4.2 推理模型系列，包含 3B、8B、30B 三个 dense、decoder-only 规模，全部以 Apache 2.0 许可开放。
推荐理由：原文公开了从五阶段预训练到多阶段 RL 的完整构建配方，可对照其他推理模型的开源训练路径。
HuggingFace BlogAI 评分4949 Quantization-Aware Healing：GPT-OSS 120B 压缩到 60B 的 4-bit 模型在 7/9 基准上超越全精度版本
Quantization-Aware Healing（QAH）让 GPT-OSS 120B 压缩到 60B、量化为 MXFP4 后，在 9 项基准中 7 项超过其 bfloat16 全精度版本。
Google AI：DEV 作者专属精选AI 评分6969 Gemini 3.7 Flash API 实测：$0.75 定价、minimal 档位返回 400
Gemini 3.7 Flash 于 2026-08-13 上线，输入每百万 token $0.75、输出 $3.75，介绍价 2026-12-31 到期后翻倍为 $1.50 / $7.50，且与 Gemini 3.6 Flash 现价完全相同。
推荐理由：作者在同一路由上对比三档思考级别的实测 token 与首 token 延迟，可帮助开发者估算迁移后的成本变化。
HuggingFace BlogAI 评分5858 Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理最高提速 3.2 倍
Liquid AI 发布 LFM2.5-DSpark 草稿模型检查点，覆盖 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 三个模型，通过投机解码在不改变输出质量的前提下最高提升 3.18 倍吞吐。
Google ResearchAI 评分5757 Google Research 提出知识画像框架，指出 LLM 事实错误多是召回失败
Google Research 提出知识画像（knowledge profiling）框架和包含 2,150 条 Wikipedia 事实的 WikiProfile 基准，用于区分 LLM 的事实编码失败与召回失败。
Dwarkesh Patel：Podcast & BlogAI 评分5454 Dwarkesh 对话 Ryan Greenblatt：AI 能自动化 AI 研究后会发生什么
Dwarkesh Patel 与 Redwood Research 首席科学家 Ryan Greenblatt 辩论 AI 能否通过自动化 AI 研发实现递归自我改进。
Mistral AIAI 评分5050 Mistral 上线区域推理端点与 Priority Tier，平台将支持 GLM-5.2 等第三方开源模型
Mistral 公布三项推进 AI 主权的举措：Mistral Regional Endpoints 正式可用，客户可选择推理在欧洲或美国运行；Mistral Priority Tier 进入公开预览，为关键业务提供带 SLA 的承诺服务等级和自定义速率限制。
HuggingFace BlogAI 评分4141 GPU 管理：为什么闲置 GPU 正成为新的“停场飞机”
企业 AI 的下一道真实约束已从模型智能转向 GPU 利用率：GPU 按日历小时计成本，产出却只按计算小时计。这与航空业靠飞机利用率决定生死的结构一致，自购 GPU 可把随 token 线性增长的 API 成本换成固定资本支出。但按峰值规模采购的集群在需求不持续时，满载 GPU 仍会浪费大量产能。
Dwarkesh Patel：Podcast & BlogAI 评分5252 为何未来几年 AI 算力价格可能上涨 10 倍以上
Dwarkesh Patel 在博客中提出，随着模型越发智能、同一份算力能变现更多收入，未来几年 AI 算力价格可能上涨 10 倍以上。
HuggingFace Blog精选AI 评分7979 Thinking Machines 发布开源多模态模型 Inkling 及 Inkling-Small
Thinking Machines 发布开源多模态模型 Inkling，总参数 975B、激活 41B，支持 1M 上下文并原生接收图像、音频和文本输入。同期推出 Inkling-Small（总参数 276B、激活 12B），采用与 Inkling 相同的架构。
推荐理由：约 1T 参数的开源多模态模型，文章给出多个推理引擎的部署配置和基准对比，便于判断它能否落到现有工作流。
Dwarkesh Patel：Podcast & BlogAI 评分3737 Adam Brown：广义相对论的深入浅出导论
Adam Brown 在 Dwarkesh Patel 播客中深入浅出讲解广义相对论，并延伸到黑洞与 AI 能否从零重新发现该理论。他现任 Google DeepMind BlueShift 负责人，节目从等效原理、爱因斯坦的“最快乐的思想”讲到黑洞与坠入黑洞的观察者体验，结尾讨论 AI 在缺乏实验证据下能走多远。
HuggingFace Blog精选AI 评分6767 vLLM 的 transformers 建模后端实现原生推理速度
Hugging Face 表示 vLLM 的 transformers 建模后端现已在多个 LLM 架构上达到甚至超过 vLLM 手写原生实现的吞吐。对比覆盖 Qwen3 4B 单卡、32B 张量并行、235B FP8 MoE 数据加专家并行三种部署，模型只需加 --model-impl transformers 即可启用，且仍可用于训练。
推荐理由：文章给出 transformers 后端与 vLLM 原生实现在三种 Qwen3 模型上的吞吐对比，便于了解免移植推理的实现路径。
Mistral AI精选AI 评分6363 Mistral 发布 Leanstral 1.5 形式化验证模型
Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可、119B 总参数与 6B 激活参数的形式化验证模型，在 miniF2F 验证集和测试集上均达到 100%。
推荐理由：可对照 Leanstral 1.5 在 PutnamBench 的解题数与约 4 美元单题成本，比较形式化证明模型的性价比。
Google ResearchAI 评分5050 Google 用冻结 MTP 加速 Pixel 上的 Gemini Nano 模型
Google Research 提出把 Multi-Token Prediction（MTP）头接到已冻结的 Gemini Nano v3 主干上，无需为每个任务微调独立的草稿模型即可实现端侧文本生成加速。