《AI 中的异构性：从推理到复合系统的路径》（学位论文）
一篇学位论文探讨了 AI 中的异构性，梳理从推理走向复合系统的路径。该论文聚焦推理与复合系统，研究两者之间的过渡方式与实现路径。目前原文仅发布标题与链接，尚未披露论文的具体方法、实验数据或结论。
#推理
#推理
今日 0 条Hacker News · AI 最新AI 评分1818
The DecoderAI 评分4646 Sakana AI 的自我改进模型：解题与评判能力提升，但仍无法发现自身盲区
Sakana AI 与 UC Berkeley 提出“多智能体自监督”（MASS）方法，让单个语言模型同时承担解题、评判与优化工作以实现递归自我改进。该方法基于 Qwen3.6-27B，两轮训练后对基座模型的胜率从 53.9% 升至 69.9%，自评器与外部评判的一致率也从 73% 提高到 93%。但研究指出，同一模型共用盲区会让错误被当成进步并进入下一轮训练，且部分基准提升幅度有限或出现下降。
Hacker News · AI 最新AI 评分3636 AI 玩 Slay the Spire
AI 在 Slay the Spire 的五个场景中完成挑战，包括 Baseline 的平均地图、Cursed Run 的诅咒机制、单战直通 Boss 的 Easy trap，以及 25 个分岔、4,040 条路线的 Dense map。同一批地图还在游戏最难难度 Ascension 20 下由 GPT-6 Astra 以最大努力各跑十局，并记录分数、层数、游戏时长与成本。
The Decoder精选AI 评分6565 微软研究院：清除聊天历史可帮助 AI 智能体找到更优解
微软研究院发现，长时运行的 AI 研究智能体会因累积对话历史而陷入想法盆地（idea basins），即使大幅增加算力也停滞不前。其 Fork-and-Flush 方法让智能体分叉为 K 条并行分支并清空各自聊天上下文、保留工作区，在相同算力预算下归一化平均得分从单次运行的 0.47 提升至 0.78，相对提升 66.0%，13 项任务中有 12 项取得最高均分。
推荐理由：微软研究院的论文提出清空对话历史并并行分叉的简单机制，为长时运行智能体突破搜索瓶颈提供了可迁移的解法。
量子位 · 行业解读AI 评分4747 DHSA 实现不动基座权重的推理时偏好对齐：256-16384 个控制参数达到 DPO 水准
成都大学、北卡罗来纳州立大学、复旦大学、澳大利亚凯斯林大学和澳门大学团队提出直接隐状态对齐（DHSA），在冻结基座权重的情况下于推理时完成偏好对齐。研究先用残差竞争图（RCM）量化组件对偏好的支持或抵消作用，再用因果激活状态转移（CAST）在组件写回残差流前施加局部调整。
量子位 · 行业解读AI 评分6868 华为 Memento 3 通关 ARC-AGI-3 全部 25 款游戏，操作次数比人类少 56%
华为诺亚方舟实验室联合 UCL 等团队提出智能体系统 Memento 3，以 Claude Opus 5 为底模且不更新权重，通关 ARC-AGI-3 公开集全部 25 款游戏、183 个关卡，RHAE 满分 100。
The Decoder精选AI 评分7878 Google DeepMind 的 AlphaProof Nexus 解出数十个开放数学问题并通过同行评审
Google DeepMind 的 AlphaProof Nexus 在《Science》新论文中独立解出 353 个开放 Erdős 问题中的 9 个，其中两个已悬置 56 年。
推荐理由：论文给出 Gemini 3.1 Pro 在 Lean 中起草并迭代证明的机制，可对照 OpenAI 把证明直接放 GitHub 的做法理解两种验证路径。
量子位AI 评分6262 华为诺亚方舟实验室 Memento 3 通关 ARC-AGI-3 全部 25 款游戏，操作次数比人类少 56%
华为诺亚方舟实验室联合 UCL 等团队推出智能体系统 Memento 3，以满分 100 的 RHAE 通关 ARC-AGI-3 公开集全部 25 款游戏、183 个关卡，仅用 7518 次操作，比人类的 17135 次少约 56%。
The DecoderAI 评分6262 Vals AI 基准测试显示多智能体团队成本增加 1.8 至 5.1 倍，质量几乎无提升
评测公司 Vals AI 在 Vibe Code Bench 上对 GPT-6 Sol 和 Claude Opus 5.5 进行单智能体与团队对比测试，团队成本高出 1.8 至 5.1 倍，四组对比中仅 GPT-6 Sol 中等推理设置下的团队显著高出 7.3 分，最大推理下团队对两款模型均无实质优势。
量子位 · 行业解读AI 评分6161 清华团队开源 VeriLoop E2，将黑洞信息悖论推进至定量完备性模量
清华大学深圳国际研究生院团队开源 VeriLoop E2 模型与 VeriLoop Harness 执行框架，提出循证收敛递归（VGR）：模型负责生成与探索候选，候选能否提交由预先固定的外部验证合同依据受保护证据秩裁决，只有所有受保护项均不退化且至少一项严格改善才写入后续状态链。
量子位精选AI 评分7777 何恺明团队发布多模态Harness框架VISTA
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出视觉原生Harness框架VISTA，把环境返回的每一帧原样保存到上下文之外，供模型按需回看、放大和对比，无需额外训练。
推荐理由：论文提出把原始画面存成可随时回看的视觉档案，让现有多模态模型无需重新训练即可在交互式视觉推理中复用视觉经验。
量子位精选AI 评分7272 OpenAI 发布挂谷猜想手稿，声称证明三维极大函数与四维版本
10月7日，OpenAI 放出722篇数学手稿，其中编号074的两篇声称分别证明了三维挂谷极大函数猜想和四维挂谷猜想，合计272页。三维版本比王虹和Zahl证明的集合版更强，四维论文把卡在3点几的维数直接推到4，但该组成果没有Lean形式化，也未经同行评审。陶哲轩随后牵头人类数学协会发布声明，全面抵制OpenAI。
推荐理由：原文对照了王虹与 OpenAI 各自证明的版本差异，并记录陶哲轩牵头抵制引发的争议，可借此判断这场数学界风波的来龙去脉。
Hacker News · AI 最新AI 评分6565 研究发现 AI 助手降低坚持意愿并损害独立表现
arXiv 论文通过对 1,222 名受试者的随机对照实验发现，AI 助手虽在短期提升任务表现，却显著降低使用者的坚持意愿，并损害其在无 AI 条件下的独立表现。该效应在约 10 分钟的短暂交互后即出现，覆盖数学推理与阅读理解等任务，研究者据此建议模型开发在完成即时任务之外同样重视支撑长期能力养成。
雷峰网AI 评分7070 字节论文揭示 DeepSeek 分块 KV Cache 压缩的周期性相位盲区
字节团队论文发现，DeepSeek V4 系列因分块 KV Cache 压缩产生相位敏感性，同一问题仅多加几个空格，答案质量就天差地别。在 128K Token 的大海捞针测试中，DeepSeek-V4-Flash-Base 不同位置的准确率最大差距达 40.2%；DeepSeek-V4.1-Flash 把压缩步长砍半后差距降至 6.1%，但仍未消除。
Hacker News · AI 最新AI 评分3535 用 AI 驱动的形式化证明搜索推进数学研究
AI 驱动的形式化证明搜索方法可在大规模数学证明空间中高效检索证明步骤，推进数学研究。该方法将搜索算法与形式化验证结合，帮助数学家发现并验证复杂定理的正确性。
InfoQ 中国AI 评分6868 小米披露 MiMo-V2.6 规模化强化学习路线：单次 RL 后训练烧掉 260 万美元
10 月 8 日，小米 MiMo 团队发布技术报告《MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement》，推出 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash 两款 MoE 模型，Pro 总参数 1.02T、激活 42B，Flash 总参数 310B、激活 15B。
Hacker News · AI 最新AI 评分6060 galahad-kv 实测 50M token 长期记忆，KV 状态复用比重算更快更省
arXiv 论文测试公开包 galahad-kv，把约 16000 token 的 KV 状态块存入加密本地 NVMe 磁盘后按需字节级加载，在单张 H100 上经 vLLM 跑了 50M token 真实文本，Gemma 4 12B 与 31B 的抽检块 100/100 全部无重算命中。
Hacker News · AI 最新AI 评分6161 Nathaniel Craig 借助 GPT-6 Astra 发布格点手征费米子预印本
粒子理论家 Nathaniel Craig 在 arXiv 发布预印本《A gauge-invariant measure for lattice chiral fermions》，文中称 OpenAI 的 GPT-6 Astra 模型对得到该结果至关重要。
Hacker News · AI 最新AI 评分6161 Samaya 研究显示前沿 AI 模型在财报预测上超越分析师
Samaya 的研究表明，在其自建的金融预测评测环境中，最新前沿 AI 模型在财报惊喜预测上超越了人类专家分析师。研究覆盖 456 家市值超 50 亿美元的公司，在财报前五个交易日预测收入、毛利率、营业利润和调整后 EPS，GPT-6 Astra 在多数指标上表现最佳，Claude Fable 5.1 和 Claude Opus 5.5 在惊喜相关性上最强。
Hacker News · AI 最新AI 评分4444 TaxCalcBench：AI 能替你报税吗？
TaxCalcBench 基准以美国报税表 Form 1040 的形式呈现排行榜，评测前沿 AI 模型能否独立完成报税计算这一步。2025 税务年度版（v2）难度显著升级，输入改为 W-2、1099 等真实 PDF 文档，新增州报税并覆盖更复杂的财务情形，共测试 38 个模型、50 份报税表。评测指标包括严格正确率、±$5 宽松正确率、逐行正确率，以及每份报税的 API 成本与生成时间。
量子位精选AI 评分6666 何恺明团队提出NAT-ARC：用ImageNet预训练实现纯视觉ARC推理
何恺明团队提出NAT-ARC，一套不依赖LLM的纯视觉ARC解题方案，用ImageNet MAE预训练encoder再迁移到抽象格子推理。最佳单模型参数量0.6B，在ARC-1上pass@2达63.4%，集成后达70.2%；作为参照，专用LLM系统The ARChitects用8B模型拿到71.6%。
推荐理由：论文显示ImageNet自然图像预训练可迁移到ARC抽象格子推理，用约四分之一参数量逼近专用LLM系统。
量子位 · 行业解读AI 评分6565 何恺明团队 NAT-ARC：ImageNet 预训练让纯视觉方案在 ARC-1 上追平专用 LLM
何恺明团队提出 NAT-ARC，一套不依赖 LLM 的纯视觉 ARC 解题方案，用 ImageNet MAE 预训练 encoder 再迁移到抽象格子推理。表现最好的单模型参数量 0.6B，在 ARC-1 上 pass@2 达到 63.4%，集成后达到 70.2%，对标用 8B 语言模型微调的 The ARChitects 的 71.6%。
腾讯科恩实验室AI 评分5151 腾讯科恩实验室推出 BinaryAI-Bench 二进制安全分析评测集
腾讯科恩实验室推出二进制分析平台 BinaryAI 并发布 BinaryAI-Bench 评测集，通过两轮各 8 个模型×50 个任务的系统评测校准 AI 逆向分析能力。评测集收录 5 大类 18 个子类共 50 个端到端任务，真实来源样本占 94%，难度从 easy 到 expert 四级。评测显示当前 AI 的硬边界集中在跨变种共同行为特征提取与复杂算法精确逆向两个方向。
Microsoft ResearchAI 评分4747 MindTopo 揭示 VLM 的空间推理能力
Microsoft Research 推出拓扑推理基准 MindTopo，评估多模态模型在连通性、包围、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前多模态模型在静态识别任务上表现明显优于交互式规划任务，两者均远低于人类水平，且错误多发生在规划阶段而非感知阶段。该基准为机器人和交互环境中的 AI 系统提供了可控诊断工具。
OpenAI NewsAI 评分5656 OpenAI 推理模型辅助诊断儿童罕见遗传病，未解病例新增 18 例诊断
研究人员使用 OpenAI 推理模型辅助诊断罕见疾病，在此前未能确诊的病例中新增 18 例诊断。该工作聚焦影响儿童的罕见遗传病。
Berkeley AI ResearchAI 评分4646 GRASP：面向更长程视野的世界模型梯度规划方法
GRASP 是一种面向学习式世界模型的新型基于梯度的规划器，让长程规划变得切实可行。它将轨迹提升至虚拟状态以实现跨时间并行优化，向状态迭代直接注入随机性以促进探索，并重塑梯度使动作获得干净信号，从而规避高维视觉模型中脆弱的 state-input 梯度。该工作由 Yann LeCun 等人合作完成，针对长程规划中梯度爆炸/消失与不良局部极小值导致的脆弱性。
Google DeepMindAI 评分4848 Google DeepMind 提出衡量迈向 AGI 进展的认知框架
Google DeepMind 发布论文提出衡量 AGI 进展的认知框架，归纳出 10 项关键认知能力。框架借鉴心理学、神经科学与认知科学，建议以三阶段评估协议将 AI 表现与人类基线对比。同步联合 Kaggle 启动 hackathon，总奖金池 $200,000，征集学习、元认知、注意力、执行功能与社会认知五项能力的评估方案。
OpenAI NewsAI 评分5656 推理模型难以控制自身的思维链，这是好事
OpenAI 提出 CoT-Control，发现推理模型难以控制自身的思维链。该发现强化了可监控性作为 AI 安全防护手段的作用。
OpenAI NewsAI 评分3030 GPT-5.2 Pro 助力将 single-minus amplitudes 扩展至引力子
新预印本将 single-minus amplitudes 扩展至引力子，GPT-5.2 Pro 协助推导并验证了量子引力中非零的引力子树振幅。
OpenAI NewsAI 评分5656 OpenAI 评估链式推理可监控性
OpenAI 提出链式推理可监控性新框架与评估套件，覆盖 24 个环境下的 13 项评估。研究发现，监控模型内部推理远比仅监控输出更有效，为可扩展控制提供了可行路径。
OpenAI NewsAI 评分5252 OpenAI 推出 FrontierScience 基准，评估 AI 在科研任务中的推理能力
OpenAI 推出 FrontierScience 基准，测试 AI 在物理、化学和生物学领域的推理能力，以衡量其向真实科学研究的进展。
OpenAI News精选AI 评分6767 OpenAI 用过程监督提升数学推理能力
OpenAI 通过奖励每个正确推理步骤（过程监督）而非仅奖励最终答案（结果监督）训练模型，在数学问题求解上达到新的 SOTA。过程监督还直接训练模型生成人类认可的链式推理，带来对齐收益。
推荐理由：文章对比了过程监督与结果监督两种训练方式，指出奖励每个正确的推理步骤不仅能提升数学性能，还能带来对齐收益。
OpenAI NewsAI 评分5454 OpenAI 构建 Lean 神经定理证明器，解决部分形式化数学奥林匹克问题
OpenAI 构建了面向 Lean 的神经定理证明器，可求解多种高难度中学奥林匹克问题。该系统已能解决 AMC12 与 AIME 竞赛题，以及两道改编自 IMO 的题目。
OpenAI NewsAI 评分4444 OpenAI：用参数噪声实现更好的探索
OpenAI 发现，向强化学习算法的参数添加自适应噪声通常能提升性能。这种探索方法实现简单，且极少导致性能下降，值得在各类问题上尝试。