ARC Prize 用 ARC-AGI-3 分析 GPT-5.5 与 Opus 4.7 的推理失败模式
ARC Prize 分析了 GPT-5.5 和 Opus 4.7 在 ARC-AGI-3 上的 160 段推理回放，两模型在半私 数据集上的得分分别为 0.43% 和 0.18%，并开源了分析包。
推荐理由：作者基于 160 段推理回放归纳出三种可复用的失败模式分类，并对比两个模型在压缩策略上的差异。
#推理
ARC Prize：官方博客精选AI 评分6363
Apple Machine Learning ResearchAI 评分5151 Adaptive Thinking: 大型语言模型知道何时在潜在空间中思考
研究提出了一种名为“自适应思考”的新方法，使大型语言模型能够动态决定是否需要执行链式思考推理。该方法利用自我一致性作为判断标准，当模型对简单问题已有高置信度答案时，会跳过显式推理步骤，直接生成最终答案。实验表明，在保持相同性能水平下，该方法在GSM8K和MATH基准测试上分别减少了20.3%和41.7%的推理计算量，实现了更高效的计算最优推理。
Apple Machine Learning Research精选AI 评分6262 LaDiR：潜在扩散模型增强 LLM 的文本推理能力
研究团队提出LaDiR推理框架，将连续潜在表征的表达能力与潜在扩散模型的迭代优化能力相结合，以增强现有大语言模型的推理性能。该框架首先构建一个结构化的潜在推理空间，通过扩散过程对潜在状态进行迭代细化，使模型能够全局性地重新审视和修正推理路径中的早期内容。这种方法突破了传统自回归解码在整体优化和多样化解决方案探索方面的限制，提升了链式思维生成的质量与效率。
推荐理由：Apple 把扩散模型塞进 LLM 推理链，思路很野，用连续潜空间替代自回归 token 生成来解决「写到一半没法回头改」的老毛病。做推理优化或 diffusion 架构的值得细看，但离工程落地还远。
LMSYS BlogAI 评分5454 SGLang与Miles在发布首日为DeepSeek-V4提供全栈支持
SGLang团队宣布，在DeepSeek-V4发布首日即通过SGLang推理引擎和Miles训练框架为其提供全栈支持。该开源技术栈针对DeepSeek-V4的混合稀疏注意力、流形约束超连接和FP4专家权重等新架构特性进行了系统优化。在推理侧，推出了ShadowRadix前缀缓存、HiSparse分层内存加速、多令牌预测推测解码等关键技术。在强化学习训练侧，Miles支持包括DP/TP/SP/EP/PP/CP在内的全并行策略、TileLang注意力及FP8训练，显著提升了训练稳定性。该技术栈支持多种主流硬件平台。
OpenAI：官网动态精选AI 评分9090 GPT-5.5正式发布
OpenAI推出迄今最智能的GPT-5.5模型，其速度更快、能力更强，专为处理跨工具的复杂任务而构建。该模型在编程、学术研究与数据分析等领域表现出显著提升，能够高效整合多工具工作流，旨在应对更高阶的专业需求。
推荐理由：我觉得 GPT-5.5 第一次让大模型在“自主干活”上接近可用，不仅编码更强，还能帮科学家做研究，这是 Agent 从 Demo 到工具的关键一步。
Google Research：Blog ReasoningBank：让智能体从经验中学习
Google Cloud提出ReasoningBank智能体记忆框架，突破传统方法仅记录动作轨迹或成功经验的局限，从成败经验中提炼可泛化的高层推理策略。该框架通过LLM-as-judge自评估构建检索-提取-整合闭环，特别利用失败案例生成预防性策略，并创新提出Memory-aware Test-Time Scaling技术将测试时计算转化为高质量记忆。在网页浏览与软件工程基准测试中，该系统显著提升任务成功率并减少执行步骤。
BAIR：Berkeley AI Research Blog 面向长程世界模型的梯度规划方法
GRASP是一种面向世界模型长程规划的梯度优化新方法。通过将轨迹映射至虚拟状态实现跨时间并行优化，引入状态迭代的随机噪声增强探索能力，并重塑梯度以避免高维视觉模型中的病态信号传播。该技术解决了长程规划中的优化病态、局部最优和高维潜在空间失效等问题，使基于学习动力学的复杂任务规划更加稳定高效。
METR：Notes精选AI 评分6262 METR 分析 NanoGPT speedrun 中 AI 智能体对 AI 研发加速的证据
METR 对 NanoGPT speedrun 的 77 条纪录分类，评估 AI 智能体在 AI 研发中的贡献：2026 年 3 月前训练时间从 45 分钟降到 1.43 分钟，31 倍加速，其中浅层与中层优化贡献约 21 倍。2025 年底至 2026 年初有 4 条纪录由 AI 智能体与人共同贡献，作者分析均未达到 deep 或突破级，但样本太少，尚不能区分是智能体贡献浅还是基础概率低。
推荐理由：作者逐条标注了 NanoGPT speedrun 的 77 条纪录，让读者能对照判断 AI 智能体在 AI 研发任务上的贡献深度与局限。
蚂蚁 inclusionAI：GitHub 新仓库精选AI 评分6969 DR-Venus：基于开放数据的边缘级深度研究智能体
DR-Venus 是一个仅用1万条开放数据训练的40亿参数深度研究智能体，基于Qwen3-4B-Thinking-2507架构，支持200步工具调用和超20万tokens的上下文。它通过监督微调与强化学习两阶段训练，在BrowseComp、GAIA等多个深度研究基准上树立了小模型性能新标杆。其SFT版本已超越多数同类开源模型，而RL版本进一步将长程任务可靠性和工具使用校准度提升2-3个百分点。项目已全面开源模型、代码与训练流程。
推荐理由：4B 参数、仅用 1 万条公开数据就能在多个 deep research benchmark 上碾压 8B 对手，蚂蚁 inclusionAI 这次证明了小模型做 Agent 的关键不在参数量而在数据管线，做端侧 Agent 的团队值得拆一下它的 SFT+RL 流程。
OpenAI：官网动态精选AI 评分7373 OpenAI 发布 GPT-Rosalind，面向生命科学研究
OpenAI发布面向生命科学的专业推理模型GPT-Rosalind。该模型专门针对药物发现、基因组学分析、蛋白质推理及科学研究工作流设计，旨在加速生物医药研发进程。作为前沿推理模型，GPT-Rosalind将AI能力深度应用于生命科学场景，为科研人员提供从基因数据分析到药物筛选的智能支持，提升复杂生物信息处理效率。
推荐理由：OpenAI 第一个垂直领域推理模型，把前沿推理带进药物研发和基因组学，性能压过人类专家，生命科学工具链可能要从头搭起。
Anthropic：Newsroom精选AI 评分7979 Claude Opus 4.7 正式发布
Claude Opus 4.7 全面上线，在高级软件工程任务上实现重大飞跃，93项编码基准测试解决率较 Opus 4.6 提升 13%，并首次解决四项前代无法完成的难题。新版本支持更高分辨率图像识别，在研究代理基准测试中总分达 0.715，长上下文性能表现最为稳定。模型定价维持每百万输入 token 5 美元、输出 25 美元不变。出于安全考量，其网络攻击能力较 Claude Mythos Preview 有所削弱，并配备自动拦截高风险网络安全请求的防护机制，合法安全研究人员可通过 Cyber Verification Program 申请使用权限。
推荐理由：Opus 4.7 不是最炫的模型，但多家真实用户反馈指出它在复杂工程任务上的可靠性提升是实打实的，尤其长链自主执行和指令遵循，对开发 Agent 的团队是一次直接的生产力升级。
EleutherAI：Blog 基于推理插值的奖励黑客早期指标
研究团队提出一种基于推理插值的早期检测方法，利用重要性采样结合微调供体前缀技术，在模型训练过程中预测奖励黑客行为的出现。该方法通过分析模型推理路径的插值变化，在奖励黑客完全形成前识别其风险迹象，为语言模型安全训练提供关键的预警指标。
Claude Platform：开发者版本说明精选AI 评分8282 Claude Opus 4.7 发布：复杂推理与智能体编码能力升级，定价不变
Anthropic 发布 Claude Opus 4.7，定位为最强大的通用模型，擅长复杂推理与智能体编码，定价保持与 Opus 4.6 相同的 $5/$25 per MTok。
推荐理由：Opus 4.7 发布，定价不变但加入了 task budgets 和高分辨率支持，对于构建 coding agent 的团队，这次更新相当于给模型装了进度条和显微镜。
Goodfire ResearchAI 评分5959 Goodfire 用 Evo 2 嵌入解释 ClinVar 全部 420 万个基因变异并发布 EVEE
Goodfire Research 与 Mayo Clinic 合作发布预印本，基于基因组基础模型 Evo 2 的嵌入训练轻量探针做变异效应预测，致病性探针在 839k 个 ClinVar 单核苷酸变异上达到 0.997 AUROC，并零样本泛化到 indel（0.991 AUROC）。
LMSYS Blog HiSparse：分层内存系统加速稀疏注意力
LMSYS Org推出HiSparse分层内存系统，针对稀疏注意力仍受限于GPU内存容量的问题，将非活跃KV缓存卸载至主机内存，仅在GPU HBM保留热缓冲区，并通过专用CUDA内核高效管理数据交换（采用LRU策略与页表更新）。该系统在256并发请求下实现超3倍吞吐量提升，GLM-5.1-FP8模型长上下文场景性能提升达5倍，支持DeepSeek-V3.2等采用DeepSeek Sparse Attention架构的模型。
Meta AI：Research Blog精选AI 评分8080 Meta Superintelligence Labs 发布 Muse Spark 多模态推理模型
Meta Superintelligence Labs 发布 Muse 系列首个模型 Muse Spark，为原生多模态推理模型，支持工具使用、视觉思维链和多智能体编排，已在 meta.ai 和 Meta AI 应用上线并开放部分用户的私有 API 预览。
推荐理由：官方发布给出基准成绩与三条扩展轴的技术细节，读者可以了解其相对 Llama 4 Maverick 的效率变化和安全评估结论。
Cursor Blog精选AI 评分6666 通过warp decode提升MoE模型推理效率
针对Blackwell GPU上的小批量解码，研究提出了一种名为“warp decode”的新方法。该方法颠覆了传统以专家为中心的计算路径，改为让每个GPU warp负责计算一个输出神经元。这一根本性改变消除了原有流程中五个纯数据管理的“簿记”步骤，将整个MoE计算层压缩为仅两个内核。其优势在于避免了填充、分散和中间缓冲区的读写，并通过warp独立性实现了更好的调度。在Blackwell GPU上，该方法实现了1.84倍的吞吐量提升，同时输出精度更高，与全FP32参考值的差距缩小了1.4倍，有效加速了模型研发流程。
推荐理由：Cursor 把 MoE 推理的并行轴从专家翻转到输出神经元，Blackwell 上吞吐涨 1.84 倍还顺带提精度，这种同时赢性能和精度的内核优化极其罕见，做推理引擎的值得逐行读。
Meta Engineering Blog精选AI 评分8181 Meta Adaptive Ranking Model：弯曲推理扩展曲线，为广告提供LLM规模模型服务
Meta将其广告推荐系统的运行时模型扩展至LLM的规模和复杂度，旨在更深入理解用户兴趣与意图，以提升广告效果。这一举措通过自适应排序模型，优化了推理阶段的扩展曲线，使部署大规模模型服务成为可能，标志着推荐系统性能向新前沿迈进。
推荐理由：Meta的工程实践展示了如何优化LLM规模模型的推理效率，对AI系统设计有参考价值。
Inception Labs：Blog精选AI 评分6161 Inception Labs 发布扩散模型 Mercury Edit 2，专注代码 next-edit 预测
Inception Labs 发布 Mercury Edit 2，一个专为 next-edit 预测构建的扩散 LLM（dLLM），基于近期编辑和代码库上下文预测下一步修改，并行生成 token 以降低延迟。
推荐理由：官方给出了 KTO 偏好对齐带来的接受率和展示率变化及定价，可帮助开发者评估扩散模型做 next-edit 的实际收益。
Together AI 研究与产品博客AI 评分5353 Together AI 研究：弱模型用分而治之框架在长上下文任务上匹敌 GPT-4o
Together AI 发表于 ICLR 2026 的论文提出长上下文任务的 Divide & Conquer 框架，发现 Llama-3-70B、Qwen-72B 等较弱模型经合理分块与规划后可匹敌或超过单次读取全文的 GPT-4o。
ARC Prize：官方博客精选AI 评分7272 ARC Prize 发布交互式基准 ARC-AGI-3，ARC Prize 2026 设超 200 万美元奖金
ARC Prize 官方发布 ARC-AGI-3，包含数百个由人类游戏设计师手工制作的回合制交互环境，无指令、无规则、无既定目标，要求智能体自行探索并跨关卡迁移所学。人类得分 100%，前沿 AI 得分 0.51%。ARC Prize 2026 同步开启，奖金超 200 万美元，设 ARC-AGI-3 竞赛与 ARC-AGI-2 大奖两个开源竞赛，并发布技术论文。
推荐理由：官方公布交互式基准的构成、人类与前沿 AI 的分数差距及两个竞赛的奖金安排，可据此了解智能体评测方向。
美团 LongCat：HuggingFace 新模型 美团 LongCat 发布 LongCat-Flash-Prover
美团 LongCat 团队发布开源项目 LongCat-Flash-Prover，致力于通过开源与开放科学推进人工智能技术的普及与民主化。该项目旨在降低 AI 技术应用门槛，促进先进技术的广泛可及性，但尚未公布具体的技术架构、功能特性及性能评估指标。
METR：NotesAI 评分5757 METR 分析建模假设对时间地平线结果的影响
METR 发布分析文章，梳理时间地平线（time horizon）结果背后的统计模型，并测试多种合理替代建模方法的影响。
Google DeepMind：Blog 衡量AGI进展的认知框架
本文介绍一个衡量通用人工智能（AGI）进展的认知框架，并启动Kaggle黑客马拉松，旨在构建相应的评估体系，为AGI研发提供可量化的进度测量标准与评估工具。
Mistral AI：News精选AI 评分7878 Mistral 发布 Small 4，统一推理、多模态与编码能力并以 Apache 2.0 开源
Mistral 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一进一个模型，以 Apache 2.0 许可开源。
推荐理由：发布方给出架构参数与吞吐对比数据，读者可以评估这款统一推理与多模态的开源模型在自托管部署中的成本取舍。
OpenMOSS / 复旦NLP / 上海创智 / MOSIAI 评分5252 OpenMOSS 等提出 RLCF：AI 也能学会科学品味
OpenMOSS / 复旦NLP / 上海创智 / MOSI 团队发布论文《AI Can Learn Scientific Taste》，提出从科研社区反馈学习的 RLCF 方法，把判断高影响力研究的品味转化为偏好建模问题。
BAIR：Berkeley AI Research Blog 面向 LLM 的大规模交互作用识别
伯克利人工智能研究所提出 SPEX 与 ProxySPEX 算法，通过信号处理与编码理论实现大语言模型关键交互作用的高效识别。该方法基于" influential interactions 具有稀疏性与低阶性"的核心观察，将指数级搜索问题转化为可解的稀疏恢复问题，以极少的消融次数定位驱动模型输出的关键特征组合与内部组件依赖，突破传统方法在计算规模上的限制。
Goodfire ResearchAI 评分5959 Goodfire 发布 Reasoning Theater 论文：用探针检测表演性思维链并实现早退省 token
Goodfire Research 与哈佛团队发布论文，用注意力探针追踪表演性思维链，即模型内部已确定最终答案却继续生成 CoT 的现象。
蚂蚁 inclusionAI：HuggingFace 新模型AI 评分4646 inclusionAI/AReaL-tau2-merge-sft-235B 发布
inclusionAI 团队发布了 AReaL-tau2-merge-sft-235B 模型。该模型参数量达2350亿，采用合并与监督微调技术构建。其目标是推动人工智能技术发展并通过开源开放模式实现AI民主化，致力于让先进AI技术更广泛可及。
Sarvam AI精选AI 评分6565 Sarvam AI 开源发布 Sarvam 30B 和 Sarvam 105B 推理模型
Sarvam AI 以 Apache 2.0 协议开源 Sarvam 30B 和 Sarvam 105B 两款从零训练的推理模型，采用 MoE 架构，训练全部在 IndiaAI mission 提供的算力上于印度完成。
推荐理由：原文给出两款从零训练的开源推理模型的架构、训练流程和基准数据，并说明针对印度语言的优化与部署效率，可据此评估其与同类模型的差异。
OpenAI：官网动态精选 推理模型难以控制其思维链，而这反而是好事
OpenAI 发布 CoT-Control 研究，发现推理模型难以操控自身思维链。这种「不可控」特性反而增强了 AI 的可监控性，成为安全对齐的重要保障。
推荐理由：OpenAI 揭示推理模型思维链可控性与安全监控的重要关联
OpenAI：官网动态精选 GPT-5.4 Thinking 系统卡
OpenAI 发布 GPT-5.4 Thinking 系统卡，披露新一代推理模型的架构细节、安全评估框架及能力边界。文档详述思维链优化机制、长上下文推理性能指标，明确数学推导与代码生成准确率数据，分析幻觉风险与偏见控制措施，并列出越狱攻击防护策略及企业级部署的安全限制建议。
推荐理由：OpenAI 发布 GPT-5.4 Thinking 系统卡，详述模型安全与能力评估
Together AI 研究与产品博客AI 评分5252 Together AI 在 AI Native Conf 发布 FlashAttention-4、ThunderAgent 等七项研究与产品更新
Together AI 在首届 AI Native Conf 上发布七项研究与产品更新，覆盖 Kernels、强化学习和算法推理优化。
OpenAI：官网动态 将 single-minus 振幅扩展至引力子
新预印本将 single-minus 振幅扩展至引力子，利用 GPT-5.2 Pro 推导并验证量子引力中的非零引力子树振幅。
蚂蚁 inclusionAI：HuggingFace 新模型AI 评分4646 inclusionAI/AReaL-SEA-235B-A22B
inclusionAI团队宣布推出AReaL-SEA-235B-A22B模型，致力于通过开源与开放科学推动人工智能技术的进步与民主化。该举措旨在降低AI研究与应用的参与门槛，促进全球开发者及研究者更广泛地获取和使用先进AI工具。模型规模达2350亿参数，体现了其在处理复杂任务方面的潜力，同时强调开放协作对加速AI创新与社会普惠的关键作用。
Cognition 模型 / Devin 博客精选AI 评分6060 Cognition 发布 SWE-1.6 早期预览并分享 RL 训练研究进展
Cognition 发布 SWE-1.6 早期预览，当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%，达到 51.7%，速度同为 950 tok/s，并向小部分用户开放早期访问。
推荐理由：官方给出 SWE-1.6 预览版成绩与 RL 训练细节，并提出基准之外的 Model UX 问题，对做智能体训练的人有参考价值。
蚂蚁百灵：Developer Blog精选AI 评分8080 拒绝“AI 味”：我们用 6 个文学维度，重新审视了模型的创意写作边界
本文通过叙事工艺、语言艺术等六个文学维度，评估百灵模型Ling-2.5-1T的创意写作能力。测试显示，该模型能驾驭莎士比亚十四行诗、七言绝句等多种体裁，并通过感官描写实现“展现而非告知”的文学技法，在微观叙事和语言质感上接近人类水平。然而，模型仍存在依赖高频文学意象、处理否定指令时语义代偿等局限。该框架为创作者提供了激发AI写作潜力的具体方法。
推荐理由：提供实用文学维度框架和 Prompt 技巧，助你驾驭 AI 创意写作。
蚂蚁百灵：Developer Blog精选AI 评分8686 Ling 2.5 Lightning Attention+MLA 混合线性架构改造实践
为提升超长上下文下的计算效率，Ling 2.5架构将Ling 2.0的GQA改造为1:7的Lightning Attention与MLA混合线性注意力。此举旨在利用Lightning Attention提升长序列吞吐，并通过MLA极致压缩KV Cache。为确保改造后性能无损，团队设计了精细的平滑迁移训练策略，包括权重转换、QK Norm融合与Partial RoPE改造等多阶段加训。Scaling Law实验确定了1:7为最优混合比例，最终使万亿参数模型实现了更低的计算成本与更高的长文本推理效率。
推荐理由：为大模型长上下文优化提供可落地的工程实践参考。
英国 AI Security Institute：BlogAI 评分5454 英国 AI Security Institute 发布欺诈与网络犯罪中 AI 滥用的评估框架
英国 AI Security Institute 开发长式任务（LFTs）评估 LLM 在诈骗与网络犯罪中的滥用风险，覆盖浪漫诈骗、CEO 冒充和身份盗窃三类场景，对 14 个 LLM 运行超 20,000 次评估。
Inception Labs：Blog精选AI 评分6868 Inception Labs 发布扩散推理模型 Mercury 2
Inception Labs 发布 Mercury 2，称其为最快的推理语言模型，基于扩散并行细化而非自回归逐 token 解码，生成速度较此前提升超 5 倍。
推荐理由：原文给出扩散架构带来的具体速度、价格和上下文参数，读者可据此评估实时推理场景的可行性。