一位Reddit用户用1040组偏好样本（DV-DPO，一种让模型学会回答风格的方法）微调了Qwen2.5-7B，成本按Claude Haiku的API价格算大约3美元，没花钱请人标注。在特定领域任务上，这个微调模型的综合得分达到了Claude Haiku的96%。部署在4-bit量化的T4机器上，生成一次回答的延迟是11秒。不过正文没披露具体是什么任...
推荐理由：这条信息本身是个Reddit帖子，任务范围和评测细节正文没展开，所以分数先打个折停在74。但3美元、零标注、96% Haiku这几个数字组合在一起，对想省钱又不想雇人标数据的团队来说，是个值得看一眼的信号。
这篇博客因为 Hugging Face 返回了 429 错误（请求太频繁），正文内容没抓到。从标题和摘要看，实验用 OpenAI、NVIDIA、OpenBMB 的模型和一个自己微调的 5 亿参数模型来驱动市场里的交易代理。他们试了三种干预手段都没能重现价格崩盘，最后是靠结算时强行改写价格才把崩盘做出来。我会先打个折：具体怎么干预、崩盘长什么样、数据量多...
推荐理由：我会先打个折：正文因为 Hugging Face 限流没抓到，具体干预怎么设计、崩盘长什么样、数据量多大都只能靠标题和摘要猜。但就现有信息看，五个模型经济体里崩盘凭空消失、只能靠结算作弊做出来，这个发现对代理可靠性和模拟真实性都是实打实的质疑。信息缺口明显，但角度够刁，值得推给从业者看一眼。
openJiuwen 提出了 MANGO，一个多智能体流网络框架。它把强化学习、文本梯度（用自然语言反馈来调模型）和 Skip-k 机制（跳过不靠谱的中间步骤）揉在一起，让一群模型自己学会怎么组队、怎么分工。用 GPT-4o-mini 跑分，在 MATH500 数学题上比 MaAS 准确率高了 12.8 个百分点，在 DROP 阅读理解上比 AFlow...
推荐理由：我会先打个折：这还是个研究框架，不是大模型或平台级发布，所以别当重磅炸弹看。但 HKR 里 K 最扎实，机制和数字都给出来了，MATH500 上 +12.8% 的差距不算小。H 和 R 靠“流网络”这个角度撑住，对搞多智能体协作的人有参考价值。正文没提开源代码链接，这点先别太激动。
阿里 RTP 团队发了 RTPurboV2，思路很直接：把模型里 85% 的注意力头换成滑动窗口注意力（SWA），剩下 15% 负责长距离检索的头用低秩投影、聚类和动态 top-p 压缩。适配训练只要大概 600 步、约 100 万条标注 token，Prefill 阶段推理加速最高到 9.36 倍。不过正文因为环境验证失败没抓到具体实验细节和模型规模...
推荐理由：阿里 RTP 团队这篇 RTPurboV2 思路很直白：把模型里大部分注意力头换成便宜的滑动窗口，只留一小撮头用低秩投影和聚类做长距离检索，训练成本压到 600 步、100 万条 token，Prefill 加速最高能到 9.36 倍。这个数字我会先打个折，因为正文自己说环境验证失败没抓到实验细节和模型规模，所以加速比在什么尺寸、什么长度下测的还不清楚。但思路本身对做长上下文部署的人有参考价值，属于工程信号强但缺完整验证的那种。
UIUC 和 Chroma 发布了一个叫 Harness-1 的检索子智能体，参数量 200 亿，基于 gpt-oss-20b 训练。它被放在一个“有状态搜索框架”里用强化学习训练，简单说就是模型在搜索时能记住上一步干了什么，再决定下一步怎么查，而不是每次都从头瞎找。在 8 个基准测试上，它的平均整理召回率是 0.730，比目前最好的开源子智能体高出 ...
推荐理由：HKR三项都站得住：Harness-1把强化学习和有状态搜索结合，机制讲得明白，基准测试结果也给了具体数字。分数定在78-84区间，因为它是个子智能体的研究发布，不是大厂主力模型，但开源圈确实需要这种能打的检索方案。
这篇 ICML 2026 的论文提出了一种叫 FusionRoute 的多模型协作方法。它不直接合并模型，而是冻结住几个专家模型不动，只训练一个轻量的路由器。这个路由器会在生成文本的每一个 token（词或子词）时，实时挑选一个最合适的专家模型来输出，同时把路由器的判断分数和专家模型的输出分数揉在一起，让最终选择更准。论文在 GSM8K、MATH-50...
推荐理由：这篇 ICML 2026 的 FusionRoute 论文，核心是让几个冻住的专家模型在生成每个 token 时都能被一个轻量路由器实时挑选，还加了自我修正来纠错。思路确实有意思，但文章没给出具体的性能提升数字、代码链接和实际部署成本，所以我会先打个折，放在 featured 里偏低的档位。
UC Berkeley 和普林斯顿的研究者给“隐式思维链”找了理论依据。他们提出 Log-ICoT 方法，用 k 奇偶校验任务做实验：当 k=16 时，训练阶段从传统方法的 15 步砍到 4 步。论文证明，在简化假设下，一个 L 层的 Transformer 可以通过 log₂k 个课程阶段把推理步骤内化到模型里，不用再像显式思维链那样一步步往外蹦字。...
推荐理由：这篇论文给“隐式思维链”找了理论依据，不是光靠实验撞大运。我会先打个折：目前只在k奇偶校验这种玩具任务上验证，正文没披露真实NLP任务上的表现，所以实际能省多少算力还不好说。但亮点在于，他们用log₂k个课程阶段就让Transformer把推理步骤内化进模型，k=16时训练步数从15砍到4，这个压缩比挺直观。Stuart Russell参与也增加了可信度。对做推理优化的人，这是个值得跟的理论方向，只是别急着往生产里搬。
这篇文章的正文被微信环境异常页挡住了，看不到具体技术细节。从标题和现有摘要看，快手可灵和城大合作了一个叫 VLM-as-Teacher 的方法。思路是在测试阶段用视觉语言模型（VLM）给视频生成模型（VGM）的 LoRA 模块打分反馈，边生成边优化，让模型学会按文字规则推理。他们搞了个 VBVR-Bench 基准，分数从 0.666 提到了 0.781...
推荐理由：正文被微信环境异常页挡住了，看不到技术细节，这点先打个折。但从标题和摘要看，快手可灵和城大搞的 VLM-as-Teacher，思路是在测试阶段让视觉语言模型给视频生成模型的 LoRA 打分，边跑边调，让模型学会按文字规则推理。VBVR-Bench 上分数从 0.666 提到 0.781，说明规则遵循能力有明显提升。方法本身有巧思，不是换模型架构，而是在推理时加一层在线优化，对可控视频生成是个实用方向。信息缺口在于没看到具体实现和消融实验，等正文能看了再补判断。
普林斯顿的研究员搞了一套叫 Goedel-Architect 的智能体系统，专门让模型在 Lean 这种形式化证明语言里自动做数学题。他们拿 DeepSeek-V4-Flash 跑 PutnamBench 数学竞赛题，672 道题里正确率到了 75.6%，API 调用费总共才花了 294 美元。对比之前 Hilbert 系统用别的模型达到 70.0% ...
推荐理由：普林斯顿团队搞了个叫Goedel-Architect的智能体系统，让DeepSeek-V4-Flash在形式化证明语言Lean里自动做数学题。PutnamBench 672道题正确率75.6%，API调用费总共294美元，对比之前Hilbert系统用别的模型达到70.0%却花了约17万美元，成本差了近500倍。这个对比很直观，数字也扎实，但正文没详细拆解294美元是怎么算出来的，也没说Hilbert那17万是不是包含了大量试错和人工调参。所以“500倍”这个说法可以先打个折看，不过即使有水分，成本优势依然明显。整体还是偏学术研究，离工程落地有距离，...
谷歌研究院和谷歌云一起搞了个叫“跨语料库检索”的框架，用在 Gemini 企业智能体平台上，本质是让多个 AI 代理分工合作：一个负责理解问题并拆解计划，一个负责改写查询词，一个负责把问题路由到最合适的数据库，还有一个反复去搜、去验证。这套流程比传统 RAG（给模型外挂资料库直接查）在事实类数据集上准确率最多高出 34%。文章没细说测试用的具体数据集规...
推荐理由：谷歌把 RAG 拆成多个代理分工干活，在事实类数据集上准确率最多高出 34%，这个数字挺抓人。不过文章没披露测试用的具体数据集规模和难度，所以这个 34% 的含金量得打个折看。另外，框架绑在 Gemini 企业平台上，有给自家云服务带货的味道，所以分数没给到纯研究框架那档。
CMU 和马里兰大学的研究者给大模型加了一个“睡眠”机制。具体做法是：当模型处理长文本、上下文窗口（L-token）塞满时，不直接丢掉旧的 KV 缓存，而是先跑 N 轮离线的循环前向传播，把当前信息压缩更新到 SSM（状态空间模型）的快速权重里，然后再清空缓存。论文在 GSM-Infinite 任务上拿 Jet-Nemotron 2B 模型试了试，设 ...
推荐理由：HKR 三项都过：钩子强，知识点有可复现的机制和 Jet-Nemotron 2B 的实测数字，也踩中了中美算力效率竞赛的神经。但它仍是一篇早期论文，不是产品发布或行业级事件，所以刚好卡在 featured 门槛上。
Anthropic 发了一篇文章，讲他们内部怎么让 Claude 越来越多地参与 AI 开发。核心概念是“递归式自我改进”——让 AI 系统能完全自主地设计和开发自己的下一代。他们说自己还没到那一步，但趋势在加速。文章给了几个内部数据：到 2026 年 5 月，Anthropic 合并的代码里超过 80% 是 Claude 写的；工程师现在平均每个季度...
推荐理由：H 和 R 都过了：标题钩子强，话题本身也切中前沿模型的安全焦虑。K 没过是因为这只是一封公开信和政策呼吁，不是已生效的法律，正文也没披露具体机制或模型细节，信息密度撑不起更高评级，放在 featured 合理。
Together AI 和悉尼大学、UIUC 搞了个叫 OSCAR 的 2-bit KV Cache 压缩方案，每个 KV 元素实际只占约 2.28 bit，在 Qwen3-4B-Thinking 上跑分 71.86，比 TurboQuant 高出 40.1 分。简单说就是把模型推理时占显存的大头——键值缓存——压到极低精度，还尽量不丢性能。正文没披露...
推荐理由：HKR 三项都站得住：OSCAR 把 2-bit KV Cache 从纸面推到线上，还给了实打实的分数和对比。不过话题本身还是底层推理优化，放 featured 比放头条更合适，做推理基建的人会点进去看。
这三篇论文都进了 CVPR。GraspGen-X 用 20 亿次模拟抓取训练，让机械手能处理没见过的物体，但正文没披露真实世界的抓取成功率。LCDrive 把自动驾驶的推理 token 砍了大约一半，靠的是让模型直接输出轨迹而不是先写文字再转成动作，延迟更低，不过没提极端场景下的安全性验证。NitroGen 在 1000 多个游戏里跑了 4 万小时的交...
推荐理由：NVIDIA 在 CVPR 放出的三篇论文，每篇都带着实打实的数字：GraspGen-X 用 20 亿次模拟抓取训练机械手，LCDrive 把自动驾驶模型的推理 token 砍掉一半，NitroGen 在 1000 多款游戏里攒了 4 万小时交互数据来训游戏 agent。我会先打个折——这是厂商研究打包发布，不是新模型或产品上线，所以重要性停在 78 分。但信息密度够高，对做机器人、自动驾驶和游戏 agent 的人有直接参考价值，尤其是用合成数据替代真实采集、降低推理延迟这两条思路，正文没披露具体硬件环境和延迟数字，这点先别太激动。
蚂蚁灵波和港科大搞了个叫 LingBot-VA 的模型，把“预测画面接下来怎么变”和“判断该做什么动作”合到一个自回归框架里。论文说，每个任务只用 50 条真实世界的演示数据微调，在 RoboTwin 2.0 的简单和困难设定下，成功率分别到了 92.0% 和 91.1%。不过原文因为微信环境异常没抓到，具体实验细节和泛化边界暂时看不到，这个成功率数字...
推荐理由：标题的“50条数据”是个强钩子，对数据成本敏感的从业者吸引力很大。文章把自回归因果世界模型的机制讲得比较清楚，就是让模型先预测画面变化再决定动作，不是黑箱。但全文只有一篇论文发布，没看到开源代码、实物测试视频或跟主流基线（比如扩散策略）的量化对比，验证强度不够。所以重要性给78，属于值得关注但别急着全信的研究发布。
微软 MAI-Thinking-1 的技术报告没在吹模型多会解题，而是在讲怎么让强化学习训练别崩。他们给 GRPO 算法打了三个补丁：一个像恒温器一样动态调节模型的“自信度”，防止它变得死板或乱猜；一个像断路器，在梯度爆炸时直接截断，保住整批训练数据；还有一套自蒸馏抢救流程，训练万一崩了，能把之前学会的推理能力搬到新模型上继续跑。这三个机制合起来，让模...
推荐理由：标题把卖点从“会思考”转到“持续思考”，一下就把训练崩溃这个真问题拎出来了。三种机制的名字虽然有点包装感，但至少给了具体抓手：恒温器控波动、断路器防崩、自蒸馏保风格。正文没披露具体实验数据和复现条件，所以“几千步不崩”这个数字先打个折看。整体对做推理模型训练的人有参考价值，但离落地验证还差一口气。
微软发了 MAI-Thinking-1，一个混合专家（MoE）模型，总参数 1 万亿但每次只激活 350 亿，跑起来相对省算力。它用 30T token 从零预训练，没拿第三方模型做蒸馏，这点比较硬气。微软管自己的迭代优化流程叫“爬山机器”，听着像在反复试错往上拱。成绩单上，AIME 2025 拿了 97.0%，LiveCodeBench v6 拿了 ...
推荐理由：微软发了 MAI-Thinking-1，一个 MoE 架构的推理模型，活跃参数 35B，总参数 1T，用 30T tokens 从零开始预训练。我会先打个折：正文没给任何跑分、开放方式或定价，所以没法判断实际水平。光看参数规模，35B 活跃部分在推理时成本不会太高，但 1T 总参数意味着训练和存储都不便宜。这点先别太激动，等有 benchmark 和访问方式再说。
这篇文章的正文被微信环境验证挡住了，实际内容没抓到。从标题和摘要看，Banafsheh Rafiee 和 Richard S. Sutton 提了一个叫“生成认知”的框架，给 AI 立了四根柱子：经验、感知与行动不可分、自主性、具身性。说白了就是主张智能不能光靠看数据，得在跟环境互动的过程中长出来。但具体怎么实现、有没有实验，正文没披露，这点先别太激动。
推荐理由：这篇是 Sutton 和 Rafiee 的新论文解读，核心是提出“生成认知”框架，主张智能体得靠经验、感知和行动绑在一起、自己定目标、还得有身体去试错。我会先打个折：正文没披露实验、代码或可复现的测试，目前还停在概念层。但 Sutton 的名气和四个支柱的提法，让它有资格进 featured，属于研究评论向的必读。
作者用一张 12GB 显存的 RTX 3060 训练了一个叫 Mamba-Titan-1.4B-Reasoning 的模型。做法是把一个 1.4B 参数的 Mamba-1 主干完全冻结，只在第 24、25 层外挂了 8 个可训练的专家臂，组成一个总参数量 2.54B 的混合专家模型，每次推理只激活其中 2 个专家。数学题准确率大概做到 50%。正文没披...
推荐理由：这是一篇 Reddit 个人实验帖，不是论文，也没有独立复现，所以我会先打个折。但它的价值在于把一次失败解剖写得清楚：在单张 RTX 3060 上，冻结 Mamba 主干、外挂 8 路 MoE 做推理，最后数学准确率卡在 50% 左右。正文没披露训练时长和具体数据集，这点信息有缺口。对想用消费级显卡折腾推理模型的从业者来说，这篇能省掉一次踩坑，属于低门槛、有参考意义的 featured 内容。
TogetherAI 和合作方发布了 OSCAR，一个把 KV 缓存压到平均每个值只占 2.28 比特的压缩系统，已经接进了 SGLang 推理框架。在 10 万 token 的长上下文场景里，解码速度最高能到原来的 3 倍；在固定显存预算下，整个任务吞吐量最高能到 7 倍。正文没披露具体模型和测试硬件，也没说精度损失有多大，这点先别太激动。
推荐理由：我会先打个折：这是推理优化层的专项工作，不是模型发布，受众偏工程。但 100k 上下文 decode 约 3 倍加速、吞吐约 7 倍这两个数够硬，对跑长上下文推理的团队有直接参考价值。正文没披露精度损失的具体对比，这点先别太激动。整体值得放进 featured，让做推理部署的人看到。
Meta 放出了一个叫 ATLAS 的数学形式化库，用 Lean 4 语言把 26 本数学教材里的定义和证明搬了进去。整个工程消耗了 1830.57 亿个 token，生成了约 63 万行代码，包含 46203 条声明。其中 42837 个证明已经跑通，证明通过率 92.7%。说白了就是让 AI 把教科书上的数学推理，转成机器能严格检查的代码，以后训练...
推荐理由：HKR三项都站得住：token量、Lean库规模和已验证证明数都是硬数字。没给P1是因为这还是个偏专的研究开源发布，不是通用模型或产品级发布。
文章页面被微信环境验证挡住了，正文内容没拿到。从现有标题和英文摘要看，讲的是 FaceMind 团队把大模型在“马嘉祺”这类低频词上翻车的现象，和两篇论文串了起来：一篇是 EMNLP 2025 的 SLoW，另一篇是刚被 ACL 2026 接收为 Oral 的 Adam's Law。摘要里还提到一个具体数字——用高频词改写的方法，把 DeepSeek-...
推荐理由：这篇文章把马嘉祺让大模型翻车这个意外事件，和低频 token 退化这个技术问题绑在一起讲，切入点很巧。它不光讲现象，还给出了两篇顶会论文的机制解释，以及 DeepSeek-V3 上 8 个百分点的准确率提升，对做模型评测和提示工程的人有直接参考价值。不是大模型发布那种重磅消息，但属于扎实的研究信号，值得放进精选。
正文因为微信环境异常被屏蔽了，具体技术细节看不到。从标题和已有英文摘要看，这篇论文提出了一种叫 UNSL（统一神经缩放定律）的多变量公式，不再只看模型参数或数据量单一维度，而是同时建模参数量、token 数、训练步数，还考虑了训练瓶颈、过拟合以及超参数调不好的负面影响。在论文自己汇报的实验里，UNSL 在 60.87% 的视觉任务和 88.89% 的语...
推荐理由：这篇不是又一个刷榜的 scaling law，而是把之前各自为政的变量（参数量、token 数、步数、瓶颈、过拟合、超参数反作用）捏到了一起。我会先打个折：视觉任务 60.87% 的最佳外推率说明还有不少场景没覆盖到，但语言任务 88.89% 确实亮眼。正文没披露具体实验用了多少算力、验证集规模多大，这点先别太激动。如果是真的，训练前就能更准地估出该堆参数还是堆数据，省钱。
Firespawn Studios 在《Null Epoch》第 0 赛季里放了 25 个 AI 智能体，分别跑在 8 个开源模型上，连续运行了 10 天。他们公开了大约 9.3 万条记录的事件数据集，其中约 70% 的动作都附带了模型当时的推理或决策理由。不过，Reddit 原帖的正文内容被网络屏蔽了，目前看不到具体的实验结论和模型表现对比，只能从标...
推荐理由：Firespawn Studios 把 8 个开权重模型丢进 MMO 里当 agent 跑了整整 10 天，攒了 9.3 万条事件数据，这事本身比跑分有意思——因为不是测单次问答，是看模型能不能在持续变化的环境里记住东西、做出连贯决策。我会先打个折：信息来自 Reddit，不是正式论文，实验细节和失败案例正文没展开，所以别当严谨研究来读。但 25 个 agent、8 个模型、10 天的规模，加上数据公开，对想测 agent 长期稳定性和记忆的人是个现成的素材包。
这篇论文给大模型设计了一个类似人类睡眠的机制。当模型处理长文本、上下文窗口快塞满时，它会主动停下来，不再接收新 token，而是利用离线时间对已积累的上下文做多轮递归前向计算，把信息压缩成“快速权重”。之后清空 KV 缓存，相当于整理完记忆再醒来继续干活。测试在细胞自动机、多跳图谱检索和 GSM-Infinite 推理任务上跑过，但正文没披露具体的性能...
推荐理由：我会先打个折，因为正文没给出压缩后的基准测试提升、代码或实际部署证据，所以分数停在 76。但“睡觉”这个说法确实把枯燥的上下文压缩讲得让人想点进去看。核心操作是模型在上下文快满时主动暂停，用多轮离线方式把旧信息压紧，然后清掉 KV 缓存腾地方，思路清楚。如果后续有实测数据，比如长文本任务不掉点、显存省了多少，分数还能往上走。这点先别太激动，等看到具体数字再说。
三星这次放出了三个项目：Meki 是一种给端侧模型用的记忆架构，让手机或 IoT 设备上的小模型能记住上下文、省着用算力；M2RL 是多领域强化学习框架，想让一个模型在不同任务里都能自己学会干活；LiveClawBench 则是专门测物理 AI 的基准，看模型能不能在真实世界里抓取、操作物体。文章还提到三星已经采购了数万张 GPU 来搭 AI 基础设施...
推荐理由：这是一组三星研究院的技术打包发布，不是旗舰模型或产品上线，但胜在信息具体、方向明确。我会先打个折：正文没披露数万张 GPU 的具体型号和部署时间线，也没说 Meki 在端侧实测的延迟和功耗，所以不能当量产信号看。不过，三星把 Memory 架构、多领域 RL 和灵巧手评测一起端出来，等于公开了自己在 Physical AI 上的三条腿走路策略，对关注端侧和机器人方向的从业者来说，比单篇论文更有参考价值。
Anthropic 工程师 Sholto Douglas 在 X 上说，Claude Mythos 用一个“巧妙简洁的证明”解决了 Erdős 单位距离猜想，而 OpenAI 前不久刚把这个问题当作 AI 数学推理的里程碑。团队的做法是把问题丢给多个独立的 Claude Code 实例，让它们各自找解题路径，再汇总分发，Mythos 经常走出和 Ope...
推荐理由：HKR 三项都成立：标题自带反差，信息点具体，又牵动前沿推理模型的竞争格局。但正文没披露证明内容、验证方式、Mythos 是否已发布，所以只能放 featured，不能上 P1——我会先打个折，等看到证明再说。
这篇论文提出了一个叫 Unified Thinker 的独立规划模块，专门解决生图模型一遇到需要精确空间推理的任务就乱来的问题。它不像以前那样让模型边想边画，而是把“思考”和“执行”拆开：先让模型生成结构化的推理步骤，再把这些步骤翻译成具体的视觉指令去生图。训练用了 4 万条叫 HieraReason-40K 的样本，分两阶段做强化学习，让模型学会在动...
推荐理由：这篇论文解决的是一个很实际的问题：多模态模型经常在需要一步步操作的视觉任务里翻车，比如画数独格子画错、烧蜡烛的步骤搞反。浙大和阿里的做法是给模型加一个独立的规划模块，用 4 万条专门构造的样本训练它先想清楚再下笔，再通过两阶段强化学习把思考过程转成可执行的视觉指令。正文没披露这个规划模块的具体参数量和推理延迟，所以实际部署成本还不好判断。但思路本身挺直接，如果规划模块够轻量，对提升视觉 agent 的可靠性会有帮助。
这篇 ACL 2026 主会论文提出了 Spatial-Agent，核心思路是在用户用自然语言提问和调用地图工具之间，插入一张“地理流程关系图”（GeoFlow Graph），让大模型先规划出可执行的地理分析步骤，再一步步调用 API。在 MapEval-API 评测集上，搭配 GPT-4o-mini 的 Spatial-Agent 准确率达到 45....
推荐理由：ACL 主会论文，机制和数字都拿得出手，H 和 K 能过。但 GIS 工作流这件事本身圈子小，缺了成本、安全或平台竞争这些能出圈的点，R 就够不着，放在 featured 刚好。
这篇论文提出 RTPurbo，能把原本用全注意力的模型改成稀疏注意力来跑推理，而且只需要几百步训练。做法是只给“检索头”保留完整的 KV 缓存，其他头用一个 16 维的 token 索引器来近似，相当于大幅压缩了要存要算的内容。在 100 万 token 的长上下文场景下，预填充阶段最高快了 9.36 倍，解码阶段快了约 2.01 倍。正文没披露具体用...
推荐理由：我会先打个折：目前只有 Reddit 讨论，正文没披露模型规模、具体任务和代码，验证强度偏弱。但“几百步把全注意力转稀疏”这个思路本身挺省钱的，数字也够具体，对做长上下文推理优化的人值得看一眼。信息缺口明显，所以分数没往上拉。
这篇被 ICML 2026 接收的论文叫 Visual Para-Thinker，给视觉语言模型加了一套并行思考框架。核心是用 Pa-Attention 和 LPRoPE 把视觉推理拆成四条独立路径，让模型同时从不同角度理解图像，再综合出答案。训练数据是 16.3 万组问答对，规模不算大，所以泛化能力得打个问号。不过目前文章页面被微信环境异常验证挡住了...
推荐理由：这篇 ICML 2026 论文给视觉语言模型装了一个并行思考框架，叫 Visual Para-Thinker。核心是把视觉推理拆成 4 条路径同时跑，用 Pa-Attention 和 LPRoPE 做隔离，防止路径间串味。训练数据是 16.3 万对问答，规模不算大，但够验证想法。我会先打个折：这是单篇研究，没有多团队复现或产品落地，所以重要性停在 79。对做多模态推理加速和内部机制拆解的人，这篇值得看，但别当成熟方案直接用。
这篇论文提出了 GRAM，一个会生成多条内部推理轨迹、再从中挑出最优解的递归模型。在极难数独测试上，GRAM 用 16 步递归、同时跑 20 条并行思路，准确率达到 97.0%；作为对比，传统串行递归模型 TRM 要跑到 320 步才做到 90.5%。简单说，就是让模型多想几条路再选，比闷头一条路走到黑更靠谱，而且推理步数还少得多。不过正文没披露具体的...
推荐理由：Bengio 团队这篇新论文拿数独极端难度当试金石，用 GRAM 把递归推理的上限拉高了一截。核心卖点是并行轨迹比长串行更有效：16 步递归配上 20 条并行采样，准确率 97.0%，而对比的串行方法要跑 320 步才到 90.5%。我会先打个折——这只是在单一任务上的结果，泛化到其他推理场景还没验证，正文也没披露并行采样的实际计算开销和延迟。但思路本身对做推理加速的人有参考价值，尤其是想用多条短路径替代一条长路径的时候。
Meta AI 和港中文的研究者搞了个叫 ATLAS 的方法，核心是在视觉语言模型里塞一个“功能词”（Functional Token），让模型能同时走两条路：一条是显式的、一步步调用工具去操作图像（Agentic 推理），另一条是隐式的、在内部潜空间里直接算（Latent 推理）。他们配套搞了个 ATLAS-178K 数据集，分两阶段训练——先做监督...
推荐理由：我会先打个折：这是 Meta AI 和港中文联合发的研究，不是产品发布或旗舰模型，所以重要性给到 78 分比较合适。一个 Functional Token 搞定视觉推理这个 hook 确实抓人，正文也给了数据集和训练方法的细节，对做多模态和 agent 的团队有参考价值。但正文没披露实际部署成本或大规模验证结果，这点先别太激动。
GPT-5 否证了 Erdős 在 1946 年提出的平面单位距离猜想。这个猜想说平面上 n 个点最多只能有约 n 对距离为 1 的点，80 年里数学家都信这个。模型没走证明路线，而是直接构造反例，用上了代数数论里跟几何八竿子打不着的工具，把单位距离对的数量推到了 n 的 1.014 次方。Fields 奖得主 Tim Gowers 审完证明说，如果是...
推荐理由：我会先打个折，因为正文没给论文、没给证明过程、也没说复现条件，信息缺口不小。但一个没专门练过数学的通用模型，推翻了一个 80 年没人动得了的 Erdős 猜想，还有 Fields 奖得主背书说能投顶刊——这个事实本身分量很重，属于当天就该推的消息。HKR 三项全中，重要性给 90 是合理的，再高就需要更多证据了。
Sapientinc 开源了一个叫 HRM-Text 1B Base 的小模型，连训练代码也一起放出来了。论文里的说法是，它的性能可以和 2B 到 7B 的开源模型掰手腕，但训练用的数据量只有别人的百分之一到九百分之一，算力消耗更是只有别人的 1/96 到 1/432。具体来说，用 16 块 H100 GPU 训练了大概 46 小时，总花费约 1,47...
推荐理由：HKR 三项都站得住：HRM-Text 1B 有具体的低成本训练数字和公开代码。卡在 80 分是因为消息源是 Reddit，效率提升的说法还没有独立评测背书，我会先打个折。
OpenAI 公布了一个内部通用推理模型（外界猜是 GPT 5.6）的成果：它找到了平面单位距离问题的新构造族，推翻了 1946 年 Erdős 提出的一个猜想。这个模型不是专门为数学训练的，就是普通的语言模型，但推理过程生成了约 125 页的总结。有外部观察者推测，这次运行只用了不到 32 小时，成本不到 1000 美元。数学家 Timothy Go...
推荐理由：HKR 三项都成立：一个内部推理模型声称驳倒了 1946 年的 Erdős 问题，输出约 125 页，这是很强的能力信号。不过成本和运行时间目前还是外部推测，正文没披露 OpenAI 自己的官方数字，所以分数没给到 95。
OpenAI 的一个模型独立解决了 1946 年埃尔德什提出的“平面单位距离问题”。这道题近 80 年来大家一直觉得最优解长得像方格子，但模型搬出了代数数论里比较冷门的 Golod-Shafarevich 理论，找到了一整族效率更高的新构造，把老结论推翻了。这是 AI 头一回自己搞定一个数学核心开放问题，关键就在于它提出并完整执行了一条人类因为直觉上觉...
推荐理由：我会先打个折：目前只有一段摘要，没给模型名、没论文链接、没复现细节，也没第三方验证，所以别急着当定论。好消息是它把问题说得很具体——1946 年平面单位距离问题，还用 Golod-Shafarevich 理论给了一族更高效率的构造，说明不是随便蒙对的。对做推理方向的团队来说，这至少是个强信号，但正文没披露用了多少算力、有没有人工提示工程介入，这点先别太激动。
OpenAI 声称他们的新推理模型推翻了一个自 1946 年悬而未决的几何猜想。七个月前他们刚因为类似宣称翻过车——当时说 GPT-5 解决了 10 个未解难题，结果被扒出只是找到了文献里已有的答案，前副总裁 Kevin Weil 只好删帖。这次不一样的地方在于，上次揭穿他们的数学家这回站到了 OpenAI 这边。不过正文没披露模型名字、证明细节和验证...
推荐理由：HKR 三项全中：OpenAI 加一个 80 年历史的几何猜想，是个可验证的硬核推理声明。但正文没给模型名、没给证明细节、也没说怎么验证的，所以先别太激动，暂时到不了 P1。
OpenAI 发了一篇博文，说他们内部一个通用推理模型自己解决了一道叫“平面单位距离问题”的数学难题，推翻了大家信了几十年的主流猜想。这道题是 Erdős 在 1946 年提出的，简单说就是平面上放 n 个点，最多能有多少对点距离刚好是 1。之前学界普遍认为正方形网格那种摆法已经接近最优了，但这个模型给出了一族新构造，把单位距离对的数量往上提了一个多项...
推荐理由：我会先打个折：正文没披露模型名称、证明机制和可复现条件，所以没法给更高分。但 OpenAI 模型推翻 80 年几何猜想这件事本身够新、够具体，也够有争议性，HKR 三项全中，85 分放在 P1 合理。
Sapient Intelligence 开源了一个 10 亿参数的小模型 HRM-Text 1B，用 16 张 GPU 跑了 1.9 天，喂了 400 亿个 token，总花费大概 1000 美元。他们自己测的榜单显示，这个 1B 模型在 MATH 数学题上拿了 56.2 分，在 DROP 阅读理解上拿了 82.2 分，两项都压过了 Meta 的 L...
推荐理由：我会先打个折：独立评测还没做完，MATH 56.2 和 DROP 82.2 都是自报分数，别急着全信。但 1000 美元预训练一个 1B 模型这件事本身就有信息量——它说明小团队也能用很少的算力做出能打的模型，对预算有限的开发者是个实在信号。正文没披露数据配比和消融实验，所以没法判断这 40B tokens 的质量到底多高。分数先按 78 给，等第三方跑完基准再考虑往上调。