推理能力

AI 导读研究者提出 GeoState，一种面向预测式三维世界建模的视角解耦几何表示。它利用场景 tokenizer 将多视角几何基础模型（GFM）特征聚合为解耦的场景状态，几何解码器再以相机射线查询，从而把场景状态演化与相机运动分开建模。实验显示，GeoState 在 Waymo 上优于既有三维世界模型，支持跨视角一致查询，并可零样本泛化到 KITTI 和 nuScenes，rollout 过程中无需逐帧尺度对齐。

AI 选稿理由把相机视角变化从场景状态中剥离，解决了 GFM 特征视角依赖导致动力学难以预测的瓶颈，可提升自动驾驶等场景下三维世界模型的可预测性与跨数据集泛化能力。

AI 导读研究提出 ACT3D，不向视觉语言模型提供多视角图像、视频或3D表示，而是保持单张图像的原生视觉编码，将3D环境作为可交互空间，模型通过移动、转向等动作和渲染图像观察迭代推理并探索。经轨迹监督微调后，采用以最终答案正确性为主要奖励的强化学习，模型需自行学会探索策略。在六个3D基准上平均准确率53.2%，比基础Qwen模型高22个百分点，超过Gemini 3.6 Flash，且输入帧数减少50%–70%，在未见领域平均提升5.9%。

AI 选稿理由证明仅用结果奖励的强化学习可让视觉语言模型学会何时、如何获取视觉证据，在需要大量探索的问题上相对基础模型提升16.3%，为3D空间中的具身问答与主动感知提供了可复用方法。

AI 导读论文提出Event-STVG任务，把时空视频定位从匹配实例描述转向事件级推理，统一长上下文、重复事件推理、事件定位、角色推断与多目标定位。作者构建含4,016个标注事件的基准，覆盖足球及另外七个领域；实验显示最强多模态大模型在10分钟时长上m-vIoU仅5.4%，且反复混淆同类型重复事件、空间定位薄弱、很少能同时定位全部所需角色。代码与标注已开源。

AI 选稿理由提出事件级时空定位新任务与4,016事件、八领域基准，给出最强MLLM在10分钟跨度仅5.4% m-vIoU的量化结果及三类失败模式，适用于视频理解评测研究。

AI 导读研究人员提出RSIFlow框架，通过诊断性能瓶颈和环境反馈动态选择改进工作流，元代理将工作流结果提炼为组件技能和跨组件原则，实现工作流编排的持续进化。在六个基准测试和两个骨干模型上的实验显示，RSIFlow在所有基准测试上达到最先进平均性能。

AI 选稿理由解决了LLM代理自我改进工作流难以适应性能瓶颈的挑战，通过元代理进化实现工作流编排的自适应优化，显著提升复杂任务处理能力。

AI 导读论文提出 SABER 基准，覆盖四种图文模态组合、多种属性类型及最多十个对象的场景，评测发现 CLIP 类双编码器和基于 MLLM 的嵌入模型普遍存在属性-对象绑定失败。作者随后仅用合成属性绑定文本微调一个 MLLM 嵌入器，在没有图像监督的情况下，跨模态与图像-图像检索均有提升，在 SABER 上达到 SOTA，并改善了否定与实例检索基准。

AI 选稿理由指出多模态检索中属性-对象绑定这一被低估的瓶颈，并证明仅用廉价可生成的合成文本监督即可显著提升跨模态检索能力，降低了为绑定任务收集配对图像的标注成本。

AI 导读论文提出“双评委一致”的忠实性判定：需Lean编译通过，并由两个不同模型家族的LLM评委给出同意；在独立人工抽查中，该判定与人类多数意见的一致率为91.5%。对227条大学水平陈述、8个系统的测试显示，编译通过率与判定通过率相差1.3至29.5个百分点：工具增强智能体编译率为87.2%，但仅57.7%通过；人工复核其被拒案例后，确认29.5个百分点中有23.8个是真实翻译错误。对GPT-6 Astra和Claude Opus 5.5的拒绝案例，仅7%属翻译错误，多数是评委误判。

AI 选稿理由给出了可复用的人工验证忠实性准则，并用227条样本和8个系统量化“编译不等于忠实”，可作为形式化与LLM评委方法的参考。

AI 导读针对语言代理训练中长轨迹 rollout 成本高的问题，CoPE 提出多步动作目标监督机制，通过让策略主干网络同时学习生成动作序列和预测未来动作，实现行动与预测的协同进化。在五个基准测试中，CoPE 不仅超越 GRPO 和 RL 基线，还比 ECHO 和 GRPO 提升最高 1.9 倍和 2.0 倍的样本效率，且无需额外模型或推理开销。

AI 选稿理由CoPE 解决了语言代理训练中长轨迹成本高和中间步骤监督利用率低的瓶颈，通过单一策略主干实现高样本效率，适用于多领域任务。

AI 导读随着前沿编码智能体的发展，AI辅助软件工程的token成本显著增加。TokenEconomizer通过确定哪些操作微技能要注入、哪些持续无关的工具要修剪以及何时干预无效的失败循环，在Claude Code、Codex和GitHub Copilot CLI配合前沿模型的情况下，将平均token成本降低了18.4-30.9%，同时保持了可比的任务成功率。

AI 选稿理由TokenEconomizer通过自适应黑盒成本控制，有效降低了编码智能体在现实环境中的token成本，提高了token效率。

AI 导读本期主线有三：xAI 发布语音到语音模型 Grok Voice 3.0，延迟低于 1 秒并改善客服表现；Google Research 开源 Harness²，让智能体在不改模型权重的前提下迭代改进提示词、工具、记忆与编排，其 Deep Review 系统可对复杂技术文档做严格技术核查；观点部分讨论路由器成为 AI 栈新原语、开源专才模型与前沿系统在路由后共存。此外 Anthropic 为 Claude 托管智能体与 SDK 加入 OpenTelemetry 追踪，vLLM 推出基于推送的 KV 传输优化 TTFT/TPOT，Netflix 分享大规模 GPU 训练容错实践，Ling-3.1-flash 以 5600 亿总参数、250 亿激活参数和百万 token 上下文开源。

AI 选稿理由Harness² 让智能体通过改进外部框架而非重训权重持续自我提升，并跨任务迁移经验，为智能体工程提供了可复用的自改进路径；Deep Review 可用于论文与技术文档的自动核查，Grok Voice 3.0 的亚秒级语音交互则降低了实时客服等场景的落地门槛。

AI 导读ARC-SORT是一种无需训练、实时运行的多目标跟踪算法，专为体育广播场景设计。该算法通过测量自身不确定性来决定行动，使用交互多模型卡尔曼滤波器为每个轨迹提供预测协方差，并将其转化为轨迹搜索区域。在SportsMOT和DanceTrack测试集上，该算法实现了81.82和62.1的HOTA分数，并在RTX 3060 GPU上以约50帧/秒的速度运行。

AI 选稿理由ARC-SORT解决了体育视频中运动员快速移动和摄像机同时平移变焦带来的跟踪难题，通过自适应搜索区域和身份交换机制显著提高了跟踪精度。

AI 导读一篇论文报告对 GPT-6-Astra 在具身任务上的评估：在涵盖桌面操作、人形、移动平台与灵巧手的 12 项基准上，允许从训练集演示进行上下文学习并大幅增加执行步数后，模型取得前所未有的成绩；同时它识别出高层 System 2 推理（GPT-6-Astra）与低层 System 1 控制器（如 π0.5）的闭环协作成本高但有效。在 8 种机器人配置的真实部署中仍存在明显差距：ICL 所需机器人演示采集昂贵，物理约束下难以用更长执行时间换取更高成功率。结论是该模型大体越过了具身能力门槛，但尚未达到实用具身智能。

AI 选稿理由给出 GPT-6-Astra 在 12 项具身基准和 8 种真实机器人配置上的一套评估方法与实测差距，指出 ICL 演示成本、执行时间与物理约束是落地瓶颈，为具身智能研究与部署提供可复用的问题清单。

AI 导读论文指出 R-Zero、Agent0、Skill Self-Play 等自进化循环存在“选择到更新”的缺口：看起来可学的任务未必产生有用更新，但循环仍继承全部更新。作者提出 HeirCommit，冻结更新后模型并用新评测题决定是否继承，相比随机继承把有害更新占比降低 68-83%；EvoHeir 则分离参数继承与经验继承，在四个骨干模型上数学与通用推理平均表现最佳，数学平均较最强基线 Agent0 提升 5.3%。

AI 选稿理由为自进化语言模型提供可复用的继承筛选机制，解决任务可学但更新无益的瓶颈，降低有害更新比例并保留有效经验，可被训练自进化模型的研究与工程团队直接采用。

AI 导读研究系统评估了OPSD（在策略自蒸馏）中16种特权信息配置，覆盖三个多轮Agent基准和三个不同规模、推理模式的学生模型。结果显示，PI效果取决于内容、生成来源和学生模型：信息密集轨迹和更强生成器产出的PI增益更大，思考模型受益较不一致。研究提出两个KL指标（采样token反向KL和错误步KL对比）来在训练前评估PI，比PI效用更可靠，且用错误步KL选PI优于随机选择；有效PI与GRPO结合还能超过强GRPO基线。

AI 选稿理由提出用KL指标在训练前预测特权信息效果的方法，并在多轮Agent基准上验证优于随机选择，为OPSD中PI构建提供可复用的评估手段。

AI 导读Leash Bio 的 Ian Quigley 在 Latent Space 播客中介绍了公司利用 DNA 编码文库（DEL）收集蛋白质与小分子结合数据的方法，并透露团队将多年积累的数据转化为数万个“实验室在环”模拟环境，用于智能体做可验证的科学推理。两个月后，该工作发展为 Minos，并释出完整预印本、博客和开放数据集。播客还讨论了 Kaggle 竞赛中 40 亿次测量显示模型在未见化学库上无法超越随机、ChEMBL 中“作者身份”可预测分子活性、Hermes 仅用自研数据在公开基准上与 Boltz 持平，以及智能体在 650 万分子中按预算筛选最佳结合物等发现。

AI 选稿理由Minos 将 DEL 实验数据转为可验证的智能体科学推理环境，并开放数据集与预印本，为 AI 做化学与生物领域的强化学习提供可复现的“实验室在环”模拟基础。

AI 导读MIT等机构研究人员开发了一种机器学习后处理模型，通过学习历史数据修正现有预报系统的误差，在2至6周的次季节预报中将黄金标准模型的预测能力提升一倍，并首次稳定超越气候学平均值。该方法还显著提升了对洪水、寒潮等极端天气的预测能力，相关成果发表于《Nature》，并在ECMWF预报竞赛中获第一名。模型训练使用MIT超级计算集群，但运行不依赖超算。

AI 选稿理由该方法首次让2至6周次季节预报稳定优于气候学平均，并提升极端天气预测，能源运营商、农户和应急部门可借此延长决策窗口。

AI 导读论文提出 LEV 决策模型，通过循环重跑层而非生成 token 来加深推理。模型基于按循环方式预训练的语言模型，每个循环步骤后读取选项并联合训练所有步骤，因此同一 checkpoint 可在任意深度作答。在三个循环骨干网络上，准确率随深度提升，主要改善难题：2.6B LEV 在 JevBench 上从深度 1 的 63.2% 升至深度 4 的 76.2%。按问题自适应设定深度可节省 15%–24% 计算量，代价不到一个准确率点。在锁定测试集上，1.4B 和 3B 模型比同延迟（低于 50ms）的稠密模型和级联方案高 5.4 至 8.8 个点。

AI 选稿理由提供了一种不生成 token 就能按需增加推理深度的决策模型方案，同一权重可自适应深度并节省 15%–24% 计算，适合低延迟分类与多选问答场景。

AI 导读本期头条包括：OpenAI 因行政会议室发现隐藏录音设备而报警，一名员工被解雇并逮捕；Google 将 Gemini 4 Argon 作为前沿模型上线 Google Cloud，面向软件开发、金融、法律与网络安全等长上下文多步任务。深度分析讨论 AI 意识争论，以及 Anthropic 动态工作流如何让 Claude 编写程序协调多个智能体，演示显示细节更丰富但成本远高于单智能体。工程方面，24B 参数、2B 激活的推理模型 LFM2.5-24B-A2B 发布并在 Hugging Face 提供，NVIDIA 将 Run:ai 平台整体开源，Physical Intelligence 通过 Pi API 开放机器人基础模型微调与推理，OpenCode 2.0 更新。其他消息包括 Character.ai 申请 Chapter 11 破产、Ramp 推出 AI 工作空间 Glass、GPT 6.1 Sol 默认上下文窗口提升至 500k。

AI 选稿理由Gemini 4 Argon 作为企业级前沿模型上线 Google Cloud，NVIDIA Run:ai 整体开源为平台团队提供 GPU 利用率与共享 AI 基础设施优化工具，Physical Intelligence 开放 Pi API 让机器人基础模型微调与推理可直接托管调用。

AI 导读论文提出 SAE-IDF，将符号在其原生上下文中用稀疏自编码器编码为稀疏码，再按各维度稀有度加权，实现异构符号系统之间的单元匹配。在覆盖 6 类符号系统的 12 项任务上，使用 Gemma-2-9B 时全部任务优于同一模型的稠密基线，使用 Llama-3.1-8B 时仅在 1 项任务上未胜出，最高提升 45 分，且在不同 SAE 层与配置下表现一致。稀疏码的每个维度具有人类可读含义，每次匹配可分解为具名概念。作者称这是构建通用符号骨干的基础一步。

AI 选稿理由给出跨异构符号系统的可解释匹配方法，为数据驱动地拼接更大规模神经符号系统的符号骨干提供可复用基础，做符号对齐与可解释推理的研究者可参考其 SAE-IDF 编码与稀有度加权做法。

AI 导读论文提出 ReaDy，首个利用混合线性注意力（HLA）模型循环状态辅助推测解码的方法：每个草稿位置通过可学习查询从目标模型已提交的循环状态中检索位置相关上下文，轻量状态读取器以残差方式注入草稿表示，并通过低秩读取与融合算子控制开销。在数学、代码生成、对话等七个基准上，ReaDy 在单张 NVIDIA B200 上配合 Qwen3.8-27B 平均取得 3.16 倍解码加速，吞吐较 DSpark 提升 7.97%，接受长度提升 8.50%。代码已开源。

AI 选稿理由把混合线性注意力模型的循环状态用作推测解码的位置相关上下文，在多个基准上把草稿吞吐和接受长度同时提升，可直接用于长文本自回归推理的加速部署。

AI 导读近日，研究人员推出了BlenderWorld，这是首个针对现实3D创作任务评估前沿模型的全面基准。该基准包含223个任务，涵盖建筑、产品、自然环境和科学可视化等领域，通过文本、图像、视频和结构化规范输入驱动。基准测试了13个前沿模型，其中GPT-6-Astra取得了最高总分79.9，其次是Opus-5（73.0）和GPT-5.6-Sol（67.7）。研究发现，尽管当前模型可以解析广泛指令，但在Blender中实现精细的3D空间一致性和准确的结构再现方面仍存在重大瓶颈。

AI 选稿理由BlenderWorld基准测试为3D智能体研究提供了新的评估标准，揭示了当前模型在3D空间一致性和结构再现方面的瓶颈，为未来3D智能体的发展指明了方向。