苹果研究：LLM 评审在个性化写作风格评估中的可靠性
苹果研究团队评估了 LLM 评审在个性化写作任务中的表现，用 4 个 LLM 生成 3 类长文写作任务的文本，并收集人类成对偏好标注与评审 LLM 的成对排序标注进行对比。
#推理
Apple Machine Learning ResearchAI 评分4545
Google DeepMind@GoogleDeepMindAI 评分6363
Rohan Paul@rohanpaul_aiAI 评分4040一篇论文发现，仅用带少量示例的简短直接提示词（In-Context Learning），小型开源 LLM 在自然语言推理（NLI）任务上就能追平更复杂的提示方法。
Berkeley RDI：BlogAI 评分5959 Berkeley RDI 与 AWS 发布 Aqueduct：用 Lean 等价证明验证智能体软件优化
UC Berkeley 与 AWS 团队提出 Aqueduct 框架，让编程智能体加速已有函数并在 Lean 4 中证明新实现 f′ 与原函数 f 在所有输入上等价，无需人工写规格。
Goodfire ResearchAI 评分5757 Goodfire 研究发现 Qwen3.6-35B-A3B 神经元可作为可解释的计算单元
Goodfire Research 发布研究论文，通过对 Qwen3.6-35B-A3B 神经元的稀疏化实验、子电路分析和智能体驱动的描述生成，论证神经元比以往认为的更可解释。
Artificial Analysis@ArtificialAnlysAI 评分5252- Rohan Paul@rohanpaul_aiAI 评分5555
The Decoder：AI NewsAI 评分4848 Vals AI 研究：Thinking Machines 的 Inkling 2 Small 在基准测试中爆粗口 316 次
Vals AI 研究人员读取 Thinking Machines 的 Inkling 2 Small 在 13 个基准、2655 次运行中的思考日志，发现 50 次运行出现 "fuck" 及其变体，共 316 次，其中 241 次来自两次失控运行。
vLLM 官方博客AI 评分5555 vLLM 与 NVIDIA Research 发布 REINFORCE Zero，实现零失配异步 RL 训练
vLLM 博客介绍 NVIDIA Research 与 Inferact 的 REINFORCE Zero 方法：对齐 rollout 与训练内核后，用不加截断的 token 级重要性采样即可稳定异步 RL。
Artificial Analysis 完整文章AI 评分4545 VIALS-AA 评测：不同模型走向科学图像推理的不同路径
VIALS-AA 用 161 项任务各跑三次，测试模型解读科学图像的能力，Gemini 4 Carbon (high) 以 64% 得分领先，比 GPT-6 Astra (max) 多答对两项任务。
SemiAnalysis 长文 RSSAI 评分6969 SemiAnalysis 发布 TPUv7 AgentX 智能体推理基准结果，对标 NVIDIA GPU
SemiAnalysis 发布首批 TPUv7 在 InferenceX/AgentX 长上下文、多轮智能体推理基准上的官方结果，覆盖 Muse Spark Open、GLM-5.2、Qwen3.5 397B 和 Kimi K3 四款模型。
Goodfire Research精选AI 评分6464 Goodfire 提出 mechanistic shaping 框架 用内部表征抑制模型走捷径
Goodfire Research 发布论文提出 mechanistic shaping 框架，通过 reliance shaping 和 expression shaping 在训练中惩罚模型对特定内部概念的依赖或表达，使模型以正确方式解题而非仅答对。
推荐理由：论文提出用模型内部表征直接指定解题方式的训练框架，并系统评估了这么做之后监控探针如何退化与恢复。
- Rohan Paul@rohanpaul_aiAI 评分5151引用Rohan Paul@rohanpaul_ai
New Stanford paper finds that a smaller AI model can return far more economic value per unit of energy than the most capable one. Now that the world is limited by energy/power, how much energy each AI task burns should indeed by studied. Here, the researchers built Joules-to-GDP, which measures the dollar value of an AI's work, minus its running cost, per joule of energy used. They tested 5 open models on 220 professional tasks from GDPval, covering 44 occupations. > GLM 5.2 produced the most net value per task, but Gemma 4 31B got 56% of it with 23% of the energy. > Moving Qwen3.6-27B from 1 to 8 H100s cut task time by just 22% while using 3.2x the energy. > GPT-OSS 120B used 68% less energy than GLM 5.2 despite nearly the same price and speed. > Running the same model on 8 H100 chips instead of 1 made tasks only 22% faster but used 3.24x the energy, for nearly the same dollar value of work x.com/jonsaadfalcon/status/21…
Hacker News：AI 热帖AI 评分6161 Hightouch 实测混合评估器：Jev 转发低置信案例给 Opus，以超 4 倍低成本逼近其准确率
Hightouch 发布身份解析（IDR）结果评估的实测研究，用 pseudopeople 模拟数据构建含过合并案例的 1,000 条身份基准，测试决策模型 Jev、GPT-6 Luna 与 Claude Opus 5.5 等前沿模型。
公众号：小红书技术AI 评分4747 小红书 AllSpark 提出 Navalia：让 35B 模型做好财报分析与复杂办公
小红书 AllSpark 团队提出 Navalia，基于 Qwen3.6-35B-A3B 构建财报分析任务环境并做长程后训练，在五项基准上较基座模型提升 13.07–23.06 个百分点。
The Decoder：AI NewsAI 评分6262 Stanford 研究：44% 被广泛引用的 LLM 结论已失效，推理类缺陷消失最快
Stanford 研究者 Owen Queen 和 James Zou 用 2024 年 7 月至 2026 年 9 月间八家开发商的 20 个模型检验 50 条广被引用的 LLM 结论，发现 44% 已失效，34% 明显减弱，仅 16% 仍成立。
Ai2 / Allen Institute for AIAI 评分5050 Ai2 发布 StateBench 基准，测试语言模型在长文档中的状态追踪能力
Ai2 推出 StateBench，一个用于评估长上下文状态追踪的基准，按变量赋值方式划分 r-trivial、aperiodic、soluble 和 general finite 四个难度层级。
MarkTechPostAI 评分4242 Zyphra AI 发布 Zyphra Hierarchical Attention（ZHA）：通向真正次二次注意力的路径
Zyphra AI 发布稀疏注意力方法 Zyphra Hierarchical Attention（ZHA），用树状索引器让检索本身变稀疏，仅需约 4B token 即可蒸馏进冻结的预训练模型。
Zyphra ResearchAI 评分4646 Zyphra 提出 ZHA 分层注意力：用树搜索实现亚二次复杂度稀疏注意力
Zyphra 提出稀疏注意力方法 ZHA（Zyphra Hierarchical Attention），通过构建并搜索分层树为每个 query 确定相关 token 集合，在合适 top-p 阈值下实现亚二次复杂度，优于仍需二次索引器的现有稀疏注意力方法。
- Rohan Paul@rohanpaul_aiAI 评分4949
Cohere 新论文发现投机解码在细粒度 MoE 模型上即使 batch size 为 1 也效果显著，推翻了此前认为低 batch 下收益有限的预测。
- Rohan Paul@rohanpaul_aiAI 评分6363
MIT CSAIL 研究者演示了 GPT-6 Astra 无需训练或梯度、直接读写神经网络权重的方法，称为 Weight-Space Programming。
引用Rikiya Takehi@rikiyatakehiWe asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: rikiyat.github.io/blog/weight…
Hao AI Lab@haoailabAI 评分4242UCSD Hao AI Lab 推出 JetSpec++，用因果并行草稿、隐状态预测器和锚点 token 解码器，在当前块验证前先草拟下一块，把草稿与验证流水线化，几乎隐藏全部草稿开销。
- Rohan Paul@rohanpaul_aiAI 评分4242
UC Santa Barbara 新论文提出 TTME，用固定权重加演化记忆替代测试时训练来做 LLM 数学发现，在 5 个数学任务、2 个框架、3 个模型上每次都优于已报告的测试时训练分数。
Latent SpaceAI 评分5555 Elorian 发布 DecoyCount 基准，前沿模型视觉计数得分低于 50%
Latent Space 采访 Elorian CEO Andrew Dai，介绍其与 Mercor 联合发布的 DecoyCount 基准，测试模型是真正数数还是依赖视觉捷径。
MarkTechPostAI 评分5252 Polymathic AI 与普林斯顿等机构发布 FlashMap，以 flow map 起草器实现最高 6.14x 无损解码加速
Polymathic AI、普林斯顿大学、USC ISI、NYU 与 Flatiron Institute 的研究者发布 FlashMap，一种投机解码起草器，用连续 flow map 替代离散扩散起草器，1 次 forward pass 联合起草 16 个 token 的完整块，输出与目标模型严格一致。
The Decoder：AI NewsAI 评分5050 前 DeepMind 研究员 Thore Graepel 创办 Metis Reasoning，欲借 AlphaGo 思路解决模型幻觉
前 DeepMind 研究员 Thore Graepel 在 Nvidia GTC 柏林大会上介绍其新公司 Metis Reasoning 的方法，把 AlphaGo 的搜索思路搬到通用推理，用显式知识账本记录已知内容、置信度和未解问题，由独立模块对照计算、形式证明或经验证据检验每个结论。
OpenAI：官网动态AI 评分8585 OpenAI 宣布模型产出三项数学成果并与学界协作发布
OpenAI 宣布其模型在调和分析、复杂度理论和量子场论方面取得三项成果，包括证明各维度的 local smoothing 猜想（进而解决 Kakeya 猜想与 Stein 限制猜想）、在 Lean 中验证 ETH 为假、以及给出 QCD 与纯 Yang–Mills 理论的严格存在性证明。
LG AI Research：官方研究博客AI 评分4545 LG AI Research 在 ICML 2026 提出 LOAM：用 LLM 设计强化学习的观测与动作空间
LG AI Research 在 ICML 2026 提出 LOAM，让 LLM 直接设计强化学习中的观测模型与动作模型，而非只设计奖励函数。该方法区分原始环境空间与智能体实际使用的空间，由 LLM 根据任务目标、终止条件、机器人结构及各变量含义生成观测与动作设计。研究源于 LG Chem 大山 NCC 工厂生产排程优化项目，团队发现观测与动作空间设计比奖励函数更困难。
公众号：小红书技术AI 评分4545 小红书 AllSpark 提出增强上下文学习能力的数据管线，35B 模型追平万亿参数前沿模型
小红书 AllSpark 团队提出一套不依赖人工标注的合成数据训练流程，用 GLM-5.2 对 3515 篇公开文档做深度改写以切断参数记忆，最终生成 9625 条训练样本。
字节 Seed：Research PapersAI 评分4545 字节 Seed 提出 Recycler：通过隐藏状态回收实现无额外成本的潜在推理
字节 Seed 提出 Recycler 架构，把上一 token 的顶层隐藏状态经轻量适配器与当前 token 嵌入一起送入下一步，在解码开销几乎不变的情况下保留跨步连续语义。该架构覆盖预训练、SFT、继续预训练与 RL 全流程，在数学和推理任务上参数效率突出，后期引入仍可超越参数量多 2–3 倍的模型。
MarkTechPostAI 评分4444 斯坦福与 UC Berkeley 推出 TokenGate：token 门控注意力让长上下文 prefill 最快提升 11.3 倍
斯坦福和 UC Berkeley 研究者发布 TokenGate，一种给现有 LLM 加上可学习 token 剪枝的模块，在 Qwen3-1.7B 上实现 1.4x 至 11.3x 的 TTFT 加速，峰值 prefill 显存降低 1.5x 至 3.4x 且无精度损失。
LMSYS BlogAI 评分4949 miniTE 技术报告：用原生 NVFP4 实现稳定高效的强化学习
针对原生 NVFP4 强化学习在训练后期出现的不稳定问题，LMSYS 提出算法 TRIAGE 与工程方案 miniTE。在 8×B300 上，采用 BF16 反向传播的 miniTE 完整学习器更新速度约为 BF16 的 1.33–1.37 倍，单独的固定输出服务测试吞吐约为 BF16 的 1.64 倍。
公众号：小红书技术AI 评分5252 小红书 NeurIPS 2026 论文 Hint Tuning 用推理模型思维链作 hint，1000 条数据让推理 token 减少 31.5%
小红书大模型基建部发布 NeurIPS 2026 论文 Hint Tuning: Less Data Makes Better Reasoners，把推理模型的思维链按反思词切成片段作为 hint 交给同家族 Instruct 模型，测出每道题的最小有效提示，据此构造长度可变的训练数据。
MarkTechPostAI 评分4646 Perplexity 与 NVIDIA 提出 JOLT：教师与学生联合训练的后训练强化学习方法
Perplexity 与 NVIDIA 团队提出后训练方法 JOLT，让同一个模型同时扮演教师和学生，且教师也参与训练。在 MATH 上，JOLT 以 6.5 倍更少的训练 token 达到 GRPO 的准确率；JOLT+ 在 AppWorld 状态测试通过率达 72.09%，比 GRPO 的 62.20% 高 9.9 个百分点。
公众号：小红书技术AI 评分4848 小红书 DoSA 将长上下文首 token 延迟无损减少近一半
小红书自研的稀疏注意力索引器加速方法 DoSA，在保持原始 Top-K 选择结果的前提下，用分数上下界提前排除不可能入选的候选。