推理能力

AI 导读Anthropic发布Claude Duet主动AI代理，监控应用并自主处理任务；Recursive推出Flint本地编码模型，40亿参数激活仅2.5亿，支持本地高速推理；OpenAI模型将接入Google Cloud，支持企业级代理工作流；Base Labs发布Mammoth-1和Elephant-1决策模型；Anthropic发布Claude Mods可定制人机交互界面；OpenAI与PHP维护者合作修复GPT-5.6发现的安全漏洞；OpenAI开发者上月使用1000万美元token运行AI工作负载；LiteLLM发布v1.107.0版本被植入恶意代码；Monaco推出Agent Matrix平台协调多个AI代理实现收入增长；GUI-Owl 1.5实现2B参数模型在Android手机上操作应用；Anthropic CEO回应AI安全立场。

AI 导读研究团队提出Cola2框架，通过动态文本分段、无辅助损失的负反馈控制压缩率，以及重建与生成监督结合，学习紧凑的潜在表示。在五个下游任务和约2100亿训练 tokens 的实验中验证了核心设计，显示竞争性且未饱和的扩展性。使用3460亿源 tokens 的未收敛检查点，在八项任务上平均达到60.10，超越Llama-3-8B在HellaSwag和StoryCloze的表现，尽管其预训练预算超过后者的43倍。

AI 选稿理由Cola2通过连续-离散自适应和压缩控制，在有限训练资源下实现超越大模型的性能，适用于资源受限的语言生成场景。

AI 导读研究揭示扩散语言模型的量化敏感性与任务和时间步相关，不同下游任务在去噪步骤中需要不同精度。基于此，研究提出T2Quant框架，使用无标签敏感信号在固定比特预算下优化激活精度分配。在三个DLM和六个基准测试中，该方法平均准确率提升最高达6.7个百分点。

AI 选稿理由T2Quant框架首次实现扩散语言模型的任务和时间感知量化，无需标签即可预测量化敏感模式，在相同预算下显著提升准确率。

AI 导读研究提出RIDAR框架，用于自动检测和干预研究完整性违规(RIV)。首先引入包含14种RIV类型的RIVT分类法，RIDAR-post-hoc在RIV-Gold基准上达到85.2% F1性能，在RIV-Wild数据集中检测到99.7%轨迹中的3,964个RIV实例。RIDAR-runtime动态检测和纠正RIV，使任务完成时剩余RIV减少36.8%。研究团队将开源代码和数据。

AI 选稿理由RIDAR框架提供了首个全面的研究完整性违规检测与干预系统，通过分类法、后检测和运行时干预三层架构，显著减少了自主研究代理中的研究完整性违规问题。

AI 导读研究提出Raw-RAG方法，使用密集检索和重排序对原始历史记录进行检索，为阅读LLM提供证据。在LoCoMo、LongMemEval等七个基准测试中，Raw-RAG在六种设置下排名第一，超越最强智能体记忆系统0.13-5.53分。证据分析表明，原始历史检索能覆盖更多必要证据，即使转换后的记忆存储也无法完全替代原始信息的重要性。

AI 选稿理由研究证明朴素RAG方法在长期对话理解任务中表现优于复杂智能体记忆系统，挑战了记忆复杂性的必要性。

AI 导读研究团队推出AgentVQA基准，从23个数据集中精选1000个真实世界代理场景，涵盖Web代理、机器人、第一人称视频、游戏和空间规划五个领域。测试显示，22个模型中最佳准确率仅为58.5%，主要错误源于无法准确定位UI元素、解释运动、跟踪状态变化和推断3D空间关系，而非任务理解或逻辑推理问题。

AI 选稿理由AgentVQA提供了首个跨领域代理视觉理解离线基准，解决了在线评估成本高、难以扩展的问题，为模型比较提供可靠依据。

AI 导读研究团队提出SCOPE方法，将LLM代理的策略编译为可执行程序，由小型模型、确定性提取器和组合代码执行。该方法通过对抗生成反例优化程序，在真实世界策略任务基准测试中取得最高平均准确率，且预测结果更稳定、可解释性强。

AI 选稿理由SCOPE实现了可靠、可解释且高效的策略执行，适用于生产环境中的LLM代理策略管理。

AI 导读研究团队提出Verus-Insight框架，将伪影检测系统化为检查规划、证据验证和证据聚合三个互补能力。该模型通过人类锚定的全过程监督和渐进式能力训练，在细粒度伪影分析和AI视频检测方面表现出色，显著提升了人类感知伪影的恢复能力。同时发布Verus-Bench基准，提供细粒度人类标注的感知伪影用于评估检测性能。

AI 选稿理由Verus-Insight通过结构化三阶段能力设计，显著提升了AI生成视频中细粒度伪影检测的准确性和可解释性，适用于视频内容真实性验证领域。

AI 导读研究团队提出视频中心深度研究报告生成任务，给定视频和用户请求，智能体可识别研究问题、检索外部多模态证据并生成交互式报告。该任务包含50个中英文任务，覆盖19个现实子类别，共6414项评估标准。测试显示最佳系统得分为63.3分，当前智能体仍需提升内容覆盖度、跨模态因果逻辑分析能力和引用准确性。

AI 选稿理由新增视频中心深度研究报告生成基准OmniDR-Bench，包含50个中英文任务和6414项评估标准，为视频内容研究提供标准化评估框架。

AI 导读研究团队发布IQuest-Q1，一个稀疏专家混合(MoE)代理基础模型，总参数320亿(激活15亿)。通过三阶段训练开发：稳定高效预训练、细粒度中训练和多支架多版本后训练，结合SFT、领域专业RL和MOPD，增强代理编码能力。模型合并不同专家和检查点，缓解参数更新冲突。IQuest-Q1在编码和通用任务中展现能力，已开源支持社区研发。

AI 选稿理由开源320亿参数代理基础模型IQuest-Q1，通过三阶段训练和模型合并技术提升编码与通用任务能力。

AI 导读研究团队提出F2G-Pose框架，通过单次前向预测从RGB-D观测中直接估计物体3D姿态、度量尺寸和相机坐标系下的完整形状。该方法将密集视觉基础特征提升到部分点云，使用DGCNN标记编码局部几何，并通过专家混合Transformer整合物体级结构。在SOPE和ROPE基准上达到最先进精度，姿态推理速度达28 FPS，并在HouseCat6D和HANDAL数据集上展示了强几何性能和真实物体迁移能力。

AI 选稿理由F2G-Pose实现了实时单次前向预测的类别级物体姿态估计，在保持高精度的同时解决了现有方法在可靠性和效率之间的平衡问题。

AI 导读研究人员开发了一种名为DirCast的单流媒体视频语言模型，能够实时进行电子竞技直播的导演和解说。该模型通过分析所有摄像机的低分辨率画面，决定何时切换镜头，并在高分辨率下读取选定镜头的内容进行解说。DirCast在导演和解说方面均优于基于规则的导演和GPT-5等模型，解说能力在Proact-VL协议下与GPT-4o相比胜出29.2%。

AI 选稿理由DirCast模型在电子竞技直播导演和解说方面展现出优于现有技术的性能。

AI 导读Hugging Face 博客发布 TorchNeuron 系列教程第一篇，讲解如何在 AWS Trainium 上用 torch.profiler 和 Neuron Explorer 分析推理性能。文章以 RMSNorm 为例对比三种实现：朴素 PyTorch 算子约 2,355 µs，torch.rms_norm 约 403 µs，torch.compile 约 376 µs，后两者融合为单内核，设备时间约为朴素实现的六分之一。内容包括 NeuronConfig 配置、按 self_privateuse1_time_total 读表、用依赖链追踪一次算子从框架调度到硬件执行。

AI 选稿理由提供可复用的 Trainium 推理性能分析方法，并给出 RMSNorm 三种实现的设备耗时对比，适用于在 Neuron 后端定位算子级热点。

AI 导读微软研究院Xinzhi Zhang与合作者证明了1995年提出的Kannan-Lovász-Simonovits（KLS）猜想：对对数凹分布，最佳平坦切割与任意形状切割的差距总被一个与维度无关的常数界定。研究者用AI智能体探索了约100条候选路径，由人筛选方向，最终通过递归细化与误差有界性论证完成证明；同日另有两组独立证明与Lean 4形式化验证发布。

AI 选稿理由解决了高维几何与概率论31年核心公开问题，把此前随维度缓慢增长的界收紧为维度无关常数，使大量依赖该猜想假设的结果可无条件陈述；同时提供了人指导AI做数学研究的可复用流程对照。

AI 导读英伟达推出Kumo Forecast（原NV-Tesseract Forecasting）多变量时序预测模型，基于MOMENT-1-large约3.4亿参数编码器加可训练预测头。新增DARR模式，用最近邻从历史数据检索相似模式并与直接预测融合；同时提供模型无关的可解释框架，按预测步长输出滞后与特征归因。代码和权重以Apache 2.0开放，支持DataFrame式API及256至2048长度输入。

AI 选稿理由开源可用的多变量时序预测模型，新增历史模式检索与逐步长解释能力，适用于预测性维护等场景，需注意输入长度和数值型数据限制。

AI 导读NVIDIA在GTC Berlin展示了完整的本地AI硬件产品线：RTX Spark为Windows PC提供个人代理支持；DGX Spark支持开发者构建和扩展应用；DGX Station为企业团队运行前沿工作负载提供支持。新增功能包括Underdog桌面代理应用、DGX Spark 64GB版本、NVIDIA Sync支持八台DGX Spark集群、DGX Station Windows版本将于12月发布，以及Recursive Flint本地编码模型等。

AI 选稿理由NVIDIA在欧洲推出完整的本地AI硬件产品线，包括RTX Spark、DGX Spark和DGX Station，并新增多项功能和模型支持，为开发者和企业提供了本地AI解决方案。

AI 导读Google Cloud 宣布基于 Vera Rubin NVL72 的 A5X 实例下月全面可用，并计划扩展至欧洲。单实例整合 Vera CPU、Rubin GPU、ConnectX-9 SuperNIC、Virgo 网络与第四代液冷，面向智能体推理和大规模强化学习。Google Cloud 计划在多地部署最多 96 万颗 Rubin GPU。AlphaGo 作者 David Silver 创办的 Ineffable Intelligence 为首个客户，WPP 在该实例上用 Nemotron 与 OpenShell 展示创意智能体工作流，称原需多节点的任务可在单实例运行。

AI 选稿理由新增事实是 A5X 实例下月全面可用、最多 96 万颗 Rubin GPU 的部署计划，以及首个客户和 WPP 单实例运行结果；这是云上部署进展，适用范围限于 Google Cloud 客户。

AI 导读英伟达梳理欧洲、北欧、非洲和中亚云伙伴的区域算力扩展：Nscale在GB300 NVL72测试中用DSX MaxLPS在同等供电下多跑37%的GPU、聚合推理吞吐提升近50%；Nebius采用Groq 3 LPX并推出机器人云与三套零售Agent蓝图；Baseten与CodeRabbit用Nemotron 3.5 Lightning把代码审查路由一致率从75.8%提到80.7%、推理成本降50%；Mistral以3800块Grace Blackwell训练Mistral Large 4并计划2027年交付Vera Rubin。OpenShell参考架构由Vera CPU、BlueField-4和Sentry提供代理权限边界，多家云商支持。

AI 选稿理由汇总了DSX MaxLPS在GB300上的能效数据、CodeRabbit微调后的准确率与成本变化，以及OpenShell参考架构的具体分工与首批支持云商，可作为欧洲区域算力与代理安全部署的进展参考。

AI 导读NVIDIA扩展开源模型家族，涵盖语言、机器人、生物学和量子计算领域，推出Nemotron 3.5 Super VL和Nemotron 3.5 Bolt等新模型，以及Kumo结构化数据处理模型、Cosmos 3.5世界模型、Alpamayo 2 Edge自动驾驶模型、BioNeMo医疗模型和Ising量子计算模型。这些模型允许组织使用本地数据定制并部署在自有基础设施上。

AI 选稿理由NVIDIA发布多领域开源模型，提供本地化定制能力，适用于欧洲各行业主权智能需求。

AI 导读DeepSeek开源DeepInfer推理框架，支持英伟达GPU与昇腾NPU，单集群每天处理155万亿Token，谷电时段每GPU小时收入38美元；MiniMax发布M3.1 Flash模型，总参数4280亿，支持100万Token上下文，72小时内处理超100万亿Token，推理速度提升近3倍；Anthropic让Claude生成数学证明验证代码正确性，为123个开源库生成约1.8亿行证明代码；腾讯推出AI互动知识产品'懂了鸭'，可将文字、知识点转化为动态课件、3D演示等内容。

AI 选稿理由DeepSeek开源高性能推理框架DeepInfer，提供具体生产数据和经济效益；MiniMax发布大规模参数模型，展示实际部署能力；Anthropic和腾讯分别推出创新AI应用，提供可复用方法。