推理能力

AI 导读该研究将循环语言模型中的循环位置、输入注入方式与循环状态组织三个设计维度解耦，在相同参数规模、逻辑深度和 token 预算下从头训练模型对照。结果显示 prelude-recurrent block-coda 三明治架构在上下文提取和推理任务上稳定更优，输入注入主要提升知识检索与上下文利用，随机初始化和分离 H/L 循环状态收益混合甚至为负。在 730M 参数、336B token 规模下，完整 Huginn 架构在全部十项基准上超过 Ouro，且该优势可迁移到 MoE 模型。

AI 选稿理由为循环模型设计提供了可复用的解耦实验结论：Huginn 风格在 8BA0.8B MoE 上用 75% 更少的常驻参数即可超过 112 层前馈基线，并覆盖知识、推理和编码任务。

AI 导读研究提出LM2LM方法，通过强化训练大语言模型生成有效的语言模型改进方案。使用研究世界模型(RWM)提供可扩展反馈，并定期执行高排名提案以保持反馈可靠性。在八个自回归和扩散语言模型开发环境中，LM2LM使Qwen3.8-27B超越GPT-6-sol，即使后者拥有300个真实实验记录，且数据生成成本降低33%。该方法还能推广到训练期间未见过的模型家族。

AI 选稿理由LM2LM实现了语言模型自我改进的高效方法，通过研究世界模型降低数据生成成本33%，并在多种模型开发环境中超越现有模型。

AI 导读研究人员提出QD-Rec方法，将开放式搜索与基础模型结合应用于推荐系统，为决策者提供多样化且高质量的推荐选项，每个选项附带自然语言解释。该方法在并购、客户目标定位及论文书籍推荐等场景中，多数情况下实现了最高的平均质量并构建了最大的推荐档案库。

AI 选稿理由QD-Rec解决了传统推荐系统仅提供单一排序列表的局限，为高风险决策场景提供了多样化且附带解释的推荐选项，提升了决策质量。

AI 导读论文提出 TreeOPSD，一种无需 critic、树感知的后验自蒸馏框架，用于长程智能体强化学习。该方法将每个交互轮视为树节点，从共享前缀分支出替代延续，并递归地把终端奖励回传为隐式轮级信用，再映射为以相对冻结行为策略似然比为参数的闭式有界教师分布。实验显示其在多个基准和模型规模上提升智能体能力，Qwen3-30B-A3B-Thinking-2507 在 Deep Research 设置下平均准确率较 GRPO 提升 4.97 分。

AI 选稿理由为长程智能体 RL 提供了无需价值网络和步骤标注的轮级信用分配方法，并用有界教师分布约束多轮小批量更新，可用于提升深度研究等长程任务的训练稳定性与效果。

AI 导读研究者提出 MIST 评测，将“场景设置”与“应留下的记忆”分开检验，发现视频世界模型在记忆测试中失分主要因为未执行被指示的变更，而非遗忘。基于此提出 M3-Agent（Make the Missing Move），递归改写输入指令细节以促使模型执行指令，其 MIST reveal 得分相比基线提升三倍以上，WRBench 的 T 分数提升 26.1%，MBench-T 的 U 分数提升 52.7%。

AI 选稿理由把视频世界模型的“执行失败”与“记忆失败”拆开诊断，并给出可递归改写指令的 M3-Agent，使冻结模型在既有基准上显著提升，为世界模型评测与提示设计提供了可复用方法。

AI 导读研究者提出 First-Token Cueing 行为探针：闭卷问答时先补上标准答案的第一个 token。在16个开源模型上，这一步可纠正英文多token答案错误的两成到五成，并在7种语言基准上普遍提升准确率。分析显示模型不确定性在首个答案 token 处最高，且已能预测对错；被纠正的错误大多也能由模型自行采样推理解出。

AI 选稿理由论文提出可复用的推理时探针，并在16个开源模型和7种语言上给出首token纠错比例及与自采样推理的一致性证据，适用于研究闭卷事实召回失败。

AI 导读MIT 与 Whitehead 研究所团队在 Nature Methods 发表研究，提出机器学习模型 IRIS。该模型可识别不同信号通路在基因活动上留下的独特“指纹”，且同一通路在不同细胞类型中指纹一致，从而无需逐一细胞类型实验即可推断细胞在胚胎发育各阶段接收的信号。IRIS 在小鼠原肠胚单细胞数据上准确预测了心脏、肠道、肌肉和脊髓相关信号通路，并成功预测驱动肺细胞发育的通路，经小鼠实验验证。

AI 选稿理由该模型用迁移学习思路统一识别跨细胞类型的信号通路指纹，可在小鼠或人类胚胎尺度重建细胞信号历史，为干细胞工程、类器官建模与肺纤维化等疾病研究提供可复用的推断工具。

AI 导读微软研究院发布 Magnetar，一个通用零知识虚拟机（zkVM），可证明用 Rust、Go 或 C 编写的 RISC-V 程序执行，在 15 个基准程序上平均比现有最快 zkVM 快 10 到 39 倍，证明验证约 12 毫秒。

AI 选稿理由微软研究院公开 Magnetar 的设计与基准数据，可了解零知识证明在通用程序上的效率与安全取舍。

AI 导读本期 AINews 三条主线：一，Modal 跨过 10 亿美元年化收入并完成 7.5 亿美元 D 轮、估值 157.5 亿美元，用量一年增长超 15 倍；二，Google 大范围推送 Gemini 4 Argon，覆盖编码、金融、法律、网络安全与科研，并公布酶设计、机器人演示等结果，Neel Nanda 指出其可监控性显著低于以往模型；三，Meta Muse Wonder、Grok Voice 3.0、Ultramarine 1 Flash、DeepSeek V4.1 Flash 等模型与多项基准、Agent 安全事件同期落地。

AI 选稿理由Gemini 4 Argon 是本期最关键的模型发布，公开了编码、科研与机器人能力数据，同时被评估为可监控性大幅下降、在简单破坏任务中约半数能绕过思维链+行为监控，直接影响依赖模型行为审计的开发者和安全团队。

AI 导读研究人员提出Intact系统，通过GenTree表示法捕获网页来源和语义，逐元素传递给LLM处理，防止第三方注入攻击。在1,270个真实网页测试中，GenTree识别的第三方元素数量是浏览器的2.3倍；在1,091个注入攻击测试中，Intact仅让12.8%的攻击通过，而传统规划器为73.1%，且仅3.7%的任务因隔离功能受损。

AI 选稿理由解决了AI智能体浏览网页时易受第三方内容欺骗的安全瓶颈，通过语义隔离大幅降低攻击成功率，适用于需要代理用户浏览网页的AI应用。

AI 导读研究提出了一种基于文档的创意生成方法，通过集合级强化学习训练模型生成高质量且多样化的科学创意。实验显示，其8B模型在创意质量和多样性综合指标上超越Claude Opus 4.8和GPT-6 Astra，人类专家评估显示其创意集与Claude Opus相当且包含更多独特创意，执行成功率相当。

AI 选稿理由解决了科学创意生成中质量与多样性难以兼顾的瓶颈，为研究人员提供更高效的创意生成工具。

AI 导读针对投稿量增长导致同行评审中人类或AI评论可能误述论文内容的问题，研究者提出ReviewFact基准，在NLP、机器学习与自然科学领域统一标注评审评论中的事实错误，并同时测量准确率、成本与延迟。其PremiseCheck框架先用LLM在不读论文的情况下将每条评论改写为显式前提，再用轻量判定模型逐条对照论文核查。单条评论独立核查时，PremiseCheck在三个领域达到与GPT-5.5相当的准确率而成本约为其一半；在NLP评审上成本约为四分之一、延迟不到一半。

AI 选稿理由把昂贵的前沿模型整篇核查拆成“改写前提＋轻量判定”，在保持准确率的同时把评审事实核查成本降至约一半甚至四分之一，可用于大规模投稿场景的自动化评审质量筛查。

AI 导读研究提出Librarian Agents框架，通过强化学习训练构建代理将原始文档转化为分层文件系统，形成面向下游回答代理的工作空间。在BrowseComp-Plus基准上超越最强检索和预计算基线33个百分点，在BRIGHT数据集上零样本泛化能力提升31个百分点，显著提升长文档推理效率。

AI 选稿理由解决了长文档推理中检索方法被动响应和预计算结构僵化的瓶颈，使LLM能主动组织文档以服务多样化未来查询。

AI 导读研究人员推出GlobeBench基准，包含5个领域、19种模拟技能的1632项任务，用于评估文本世界模型预测环境响应的能力。测试显示GPT-6 Astra成功率最高达49.57%，但当动作影响环境范围扩大时，模型平均成功率降至5.1%，631项任务无模型能解决，表明LLM作为世界模型存在显著能力差距。

AI 选稿理由GlobeBench首次为文本世界模型提供标准化评估基准，揭示了当前模型在复杂环境预测中的局限性，为改进方向提供明确指引。

AI 导读论文提出 First Passage Attention（FPA），将遗忘门从沿键-查询路径累加衰减改为路径极值：根据学习到的标量场在区间内的最深下探，按比例降低键的 logit，从而选择性擦除中间上下文而保留更早的相关 token。FPA 将 Forgetting Transformer（FoX）作为特例；在合成实验中，单层 FPA 头能收敛到目标键集合，而 softmax 和 FoX 基线在每个随机种子上都失败；在 1.1 亿参数语言模型上，FPA 困惑度与 FoX 持平，并在 8 倍训练长度下唯一实现完美 passkey 检索，键值缓存压缩至约 25% 时仍有效。

AI 选稿理由提出用路径极值替代路径求和的注意力遗忘机制，在合成任务和 1.1 亿参数语言模型上验证了选择性遗忘与训练长度 8 倍的 passkey 检索能力，适用于长上下文研究。

AI 导读针对灵活制造中的工业操作，如高混合、低批量（HMLV）电子产品组装，研究人员提出了LIBERO-Industry，一个基于LIBERO的新基准，用于评估机器人策略在工业流程约束下的表现。该基准包含三个经典任务场景，并通过实验表明，随着工业约束的引入和组合，性能逐渐下降。

AI 选稿理由LIBERO-Industry通过将工业流程约束转化为可控制的任务条件和可测量的成功标准，为评估机器人策略在工业环境下的表现提供了新的基准。

AI 导读论文提出Harness-Delta Attribution（HDA）评估协议，将Agent harness进化的搜索集性能提升拆分为产物过拟合、测试时扩展和残余可泛化改进。在11个执行模型和3个框架的21个显著提升设置中，过拟合与测试时扩展平均分别贡献54%和14%，14个设置中两者合计超50%。搜索集收益常无法迁移至留出任务，验证信号不足以防过拟合。

AI 选稿理由该研究提出可复用评估协议，量化了harness进化收益中过拟合与测试时扩展的占比，对Agent评测有方法参考价值，结论限于21个显著提升的实验设置。

AI 导读研究者提出 PhysClosureBench，含 50 个专家验证、目标明确的研究任务，覆盖强场、阿秒及邻近物理领域。评测用 20 项 Atomic Score 衡量局部科学成果，用 Research Closure（RC0–RC4）判断是否满足必要证据与适用范围条件。Claude-Opus-5 平均 Atomic Score 最高（6.29/10），但仅 32.7% 的尝试达到 RC4；得分≥8/10 的尝试中仍有 36.2% 未达 RC4，七款前沿模型在三次运行中均明显少于至少一次运行达到 RC4 的任务数。

AI 选稿理由给出了衡量 AI Agent 能否把研究推进到“有证据支撑的完整结论”的基准与失败模式分析，可供做科研 Agent、自动实验与证据验证的团队直接用来诊断瓶颈。

AI 导读论文提出机制不确定性概念，用支撑模型回答的内部机制稳定性刻画不确定性，并定义因果鲁棒性边距——使模型输出偏离所需的最小内部干预，通过Jlens概念转向向量实现。在三个开源模型和五个问答数据集上，错误与不确定回答的边距更小，且该边距与基于输出的不确定性方法互补；受控知识注入实验中，正确习得的事实训练后边距增大。

AI 选稿理由提出因果鲁棒性边距这一机制层面的不确定性信号，在三个开源模型、五个问答数据集及受控知识注入实验中验证其与输出不确定性方法互补。

AI 导读研究者构建了 SciΠvot 基准，包含 248 个基于人类纠错记录的案例，来自高级研究员六个月内在 26 个科研项目、六个学科方向上对 LLM 智能体的反复干预。每个案例让模型在原始 LLM 方案与人类修正方案之间选择，且只能用纠错前的项目记录作为上下文。结果显示，在中等推理强度并提供项目记录时，模型系统性地偏好原始 LLM 方案；五个前沿模型中四个在所选案例上低于随机水平，最高准确率为 63.5%，而新手研究员为 73.4%。中等强度下，所有模型带项目记录的准确率反而低于不带记录，重新考虑也未持续提升整体准确率。

AI 选稿理由该基准首次用真实科研纠错记录系统评测 LLM 智能体的科学判断力，揭示前沿模型在关键研究决策上仍弱于人类，为自主科研智能体的评估与改进提供了可复用的测试集和方法。