2025-12-31 科研追新

大型语言模型的静态知识难以低成本更新，而基于元学习的模型编辑（MLBME）可通过定向修改参数注入新信息。现有 MLBME 方法在低数据场景下表现欠佳，训练过程还受到 KL 散度计算开销的限制。SMEdit 引入多次反向传播策略（MBPS），以充分利用有限监督信号，并使用权重更新范数正则化提高训练效率。在两个数据集和两个大语言模型上的实验中，SMEdit 超越既有基线，且 MBPS 可直接集成到现有模型编辑方法中。

当前模型的核心局限之一，是缺少针对自身推理过程的内在调节机制。模型通常无法持续监控推理状态，也难以判断当前路径是否有效。因此，它不能根据任务进展自适应地选择继续探索、回溯修正或及时终止。这种元推理能力的缺失会影响复杂任务中的效率、可靠性与稳定性。

MERA 是一种元认知推理框架，旨在解决推理过程与控制策略相互耦合的问题。该框架将思考过程明确拆分为独立的推理组件和控制组件，使控制策略能够被单独优化。MERA 还提出基于接管的数据构建机制，在推理过程中识别关键决策点。随后，系统将控制信号的生成交给辅助大语言模型，以构建高质量的推理控制数据。

MERA 通过监督微调实现结构化的推理—控制分离，使模型能够生成明确的推理轨迹。该训练方式让模型初步具备对自身推理过程进行调节的元认知控制能力。随后，MERA 引入控制段策略优化（CSPO），将分段式组相对策略优化（GRPO）与控制掩码机制相结合。CSPO 聚焦于控制行为的学习，并尽量减少无关内容对优化过程的干扰。

Genesis 是一个生成式物理引擎，由 CMU 联合 20 多所研究实验室历时两年开发。它能够生成 4D 动态世界，并模拟广泛的材料和物理现象。该引擎主要面向通用机器人、具身 AI 与物理 AI，可为智能体训练和物理交互研究提供仿真环境。

SPIRAL 将零和游戏的自对弈引入语言模型推理训练。模型通过同时扮演对手并持续交互，无需额外人工标注即可产生训练信号。该思路利用博弈过程的胜负反馈推动策略迭代，为提升语言模型推理能力提供了一种低成本路径。

强化学习可利用最终结果是否正确作为奖励信号，引导模型探索有效的推理路径。相比依赖固定示范的监督微调，这种训练方式更有机会发现可迁移、可泛化的问题求解策略。其优势在复杂问题中尤为明显，因为模型能够通过试错持续优化决策与推理过程。该机制也为博弈场景中的策略学习和长期决策提供了重要基础。

该方法让模型在零和游戏环境中持续与自身对弈。模型从对局反馈中自主发现有效的推理策略，并通过反复博弈加以强化。整个学习过程不依赖人工标注或显式监督信号。由此形成的推理模式有望迁移到不同任务和场景中。

SPIRAL 是一种基于零和游戏的自博弈推理训练方法。它让多个智能体进行多轮交互，并通过强化学习优化博弈策略。对抗双方随训练共同提升，从而自动产生难度不断变化的学习信号。该方法旨在减少对人工推理数据的依赖，并增强模型的多步推理能力。

SPIRAL 的代码已在 GitHub 开源。该项目围绕博弈环境中的强化学习展开，可作为复现和研究自我博弈方法的工程入口。原始文本仅提供仓库链接，具体算法、配置与使用方式需以仓库说明为准。

游戏可作为强化学习筛选可泛化思维链模式的试炼场。其胜负结果能够提供廉价、明确且可验证的奖励信号，减少对人工标注的依赖。通过在多样化竞争环境中持续自对弈，模型可以发现更有效的 CoT 模式并逐步强化。由此可形成一个自主提升推理能力的闭环系统。

实验发现，不同类型的游戏训练会培养不同的专门化认知能力。井字棋专家在空间推理游戏 Snake 上达到 56% 胜率，显示出一定的空间能力迁移。库恩扑克大师在概率游戏 Pig Dice 上取得 91.7% 胜率，而简单谈判专家也在战略优化游戏中表现出色。

SPIRAL 支持这样一个假设：预训练模型内部已经蕴含多样的推理模式。强化学习未必是从零创造推理能力，而是从既有模式中进行选择。训练过程会强化那些能够跨任务泛化的思维链，并抑制效果不佳的路径。这一结果为理解强化学习提升模型推理能力的机制提供了新视角。

未来研究可融合零和、合作与混合动机等不同博弈类型，以训练更全面的推理能力。元游戏学习进一步要求模型不仅参与游戏，还能自主创造新游戏，从而发展创造性推理。语言游戏也可扩展至视觉、音频等模态，以形成更丰富的认知与决策能力。这些方向共同指向通过自问自答和任务生成实现模型能力的持续进化。

卡内基梅隆大学团队提出了自我提问模型框架 SQLM，其运行不依赖外部数据。框架设置提问者（proposer）和解答者（solver）两个角色。提问者围绕给定主题生成问题，解答者则尝试完成这些问题。双方的角色化交互可形成持续的任务生成与求解过程。

研究者提出了 SQLM 框架，其核心特征是采用非对称的自我博弈机制。该框架属于自我博弈与自我进化方向，可能通过不同角色或能力配置形成训练互动。原文未提供具体方法、实验结果及相关链接。

上海人工智能实验室、北京理工大学、上海创智学院、东京大学等机构联合推出 Sekai。该项目聚焦世界生成的前置环节——世界探索，旨在建设高质量视频数据资源。Sekai 采用持续迭代的项目形态，有望为多模态世界模型及视频生成研究提供数据基础。

谢赛宁团队发布了一项面向3D画面控制的新工作。该方法不依赖文本提示词，重点提升对3D场景或画面生成结果的精准控制能力。相关成果为多模态生成中的可控3D内容创作提供了新思路。

智源研究院正式发布统一图像生成模型 OmniGen 2.0。该模型以单一架构支持文生图、图像编辑和主题驱动图像生成等任务。新版本进一步提升了多模态理解能力与图像生成质量，并引入了“反思”能力。OmniGen 项目在 GitHub 上一周获得约 2000 个 Star，受到开发者广泛关注。

清华大学自动化系鲁继文团队在 IJCV 发表综述论文，系统回顾通用视觉模型的发展脉络。综述重点讨论不同视觉输入的统一表征方法，以及跨任务复用的通用策略。文章还总结了模型框架设计、评测体系与实际应用，并分析大模型时代通用视觉模型的潜在发展方向。

清华大学自动化系鲁继文团队近期在 IJCV 发表综述论文，系统回顾通用视觉模型的发展脉络。论文涵盖不同视觉输入的统一表示方法、跨任务通用策略与模型框架设计。作者还总结了相关模型的评测方法和实际应用，并讨论未来视觉模型可能的发展方向。

本文是一篇围绕视觉通用模型的综述论文。论文聚焦能够统一处理多类视觉任务的通用模型，并梳理其主要技术路线与发展趋势。该研究有助于理解视觉模型从专用任务系统迈向统一、多任务与多模态能力的演进。原始文本未提供作者、摘要、发布日期及论文链接等信息。

dots.vlm1在多项视觉与语言任务上的表现远超预期。其能力覆盖空间关系理解、复杂图表推理和OCR文字识别等典型多模态场景。在高考题评测、STEM难题求解以及写诗等任务中，该模型也呈现出较强的通用性。上述结果体现了其在感知、推理与生成能力上的综合潜力。

dots.vlm1 由三个核心组件构成：从头研发的 12 亿参数 NaViT 视觉编码器、轻量级 MLP 适配器，以及 DeepSeek V3 MoE 大语言模型。第一阶段使用多样化视觉数据从头预训练 NaViT，以增强视觉感知能力。第二阶段将视觉编码器与语言模型联合训练，并引入大规模、多样化的多模态数据。第三阶段采用任务类型多样的数据进行有监督微调（SFT），进一步提升模型的泛化能力。

昆仑万维发布 Matrix-3D 模型，面向 3D 内容与游戏场景生成。该模型支持以单张图像作为输入完成三维场景建模，降低传统 3D 制作的操作门槛。其应用方向包括游戏开发、数字内容生产及场景原型设计。

Binoculars 是一款机器生成文本（MGT）检测器，主要用于判断文本是否可能由大语言模型生成。它可应用于内容审核、学术诚信检查和 AI 文本校验等场景。原文未提供具体论文、代码或使用地址。

Lean-zh 是一个围绕 Lean 定理证明器开展中文文档翻译的 GitHub 组织。项目通过本地化教程和技术资料，帮助中文开发者理解 Lean 的语法、证明方法及相关工具链。它可作为学习形式化验证、交互式定理证明和逻辑推理的中文入口。

蚂蚁集团提出了一种名为代码图模型（Code Graph Model，CGM）的新方案。该方法从代码图的视角切入，为代码理解与处理探索不同于常规语言模型的技术路线。原文片段未提供其模型结构、实验结果及开源信息。

CodeFuse-CGM-72B 是 CodeFuse-AI 发布的 72B 参数代码大模型。模型权重及相关说明可通过 Hugging Face 页面获取。它可作为代码生成、代码理解和软件工程智能体的基础模型。

CodeFuse-CGM 项目代码已在 GitHub 开源。仓库提供模型或相关工具的实现入口，可用于查看项目说明、安装方式及使用示例。具体功能、依赖和许可信息以仓库文档为准。

CodeGraph 是 CodeFuse-AI 发布在 Hugging Face 上的数据集。该资源面向代码图相关任务，可直接通过 Hugging Face 页面查看数据说明与访问方式。具体数据规模、结构和许可信息应以数据集页面为准。

Gemini CLI 将 Gemini 模型能力直接集成到命令行环境中，为开发者提供对话式编程与任务执行入口。它能够结合本地项目上下文进行代码理解、生成、修改和问题排查。作为开源工具，它也便于开发者扩展能力并集成到现有的软件工程工作流中。

Gemini Code Assist 是 Google 推出的 AI 编程辅助工具，可通过插件集成到 VS Code。它能够在开发环境中提供代码生成、智能补全、代码解释及修改建议等能力。该工具旨在减少重复编码工作，并帮助开发者更快地理解和维护代码。

Kimi Researcher 是 Moonshot AI 展示的研究型智能体项目。原始文本仅提供了项目主页链接，未包含具体功能、技术方案或评测结果。可通过该页面进一步查看项目介绍及相关资源。

开发者先将大纲发给 Claude，并说明希望开发的程序。Claude 据此协助整理和明确需求，随后开发者把需求提交给 Replit 进行编程。从晚上 10 点左右开始，项目直到凌晨 3 点才完成，整个过程约耗时五小时。

EasyDoc 是一款面向文档解析场景的工具。用户访问其网站后，可直接要求系统给出使用 Python 调用 EasyDoc 的文档解析代码。该方式降低了 API 接入和解析流程的开发门槛，适合快速构建文档处理原型。

5月17日，MuseSteamer在权威视频生成评测榜单VBench Leaderboard上取得领先成绩。其在VBench-I2V图生视频赛道获得89.38%的总分，排名全球第一。该结果表明MuseSteamer在图像到视频生成的综合质量指标上具有较强竞争力。

HeyGen 是一款在线 AI 视频生成工具，支持通过文本和模板快速制作数字人视频。用户可选择虚拟形象、生成配音，并进行多语言翻译与口型同步。该工具适合营销宣传、课程培训、产品介绍等内容生产场景。链接可直达 HeyGen 应用首页。

Topview 的产品数字人功能与 HeyGen 类似，主要面向商品营销视频制作。用户上传一张人物头像和一张产品图，即可合成人物展示或推介商品的图片。平台还能基于合成结果继续生成相应视频，降低数字人带货内容的制作门槛。

北京大学提出 ReMoMask，一种基于检索增强生成（RAG）的文本到动作框架。该框架采用基于动量的双向文本—动作模型，通过动量队列解耦负样本规模与批次大小，从而提高跨模态检索精度。其语义时空注意力机制在部件级融合时引入生物力学约束，以减少动作中的异步伪影。ReMoMask 还将 RAG 与无分类器引导结合，并加入轻量的无条件生成以增强泛化能力。

MiroMind ODR 的全称为 Open Deep Research，是一款面向开放式深度研究场景的系统。该项目被视为代季峰加盟陈天桥团队后的技术首秀。现有文本未披露其具体技术架构、性能表现及开放方式。

MiroMind ODR开放了深度研究的各个关键阶段，包括智能体框架、模型、训练数据与基础设施。MiroFlow支持多种主流工具调用与工具辅助推理，可稳定复现GAIA 82.4的成绩；MiroThinker则是原生支持工具辅助推理、可训练且可复现的大语言模型。MiroVerse提供14.7万条开源训练数据，并计划根据社区反馈每月持续更新高质量深度研究数据集。MiroTrain覆盖完整的Deep Research训练流程，支持长文本训练与强化学习训练。

MiroMind-M1 是一系列基于 Qwen-2.5 构建的完全开源推理语言模型，重点提升数学推理能力。模型首先在 71.9 万个经过筛选的问题上进行监督式微调（SFT）。随后，它在 6.2 万个高难度样例上采用可验证奖励强化学习（RLVR）继续优化。训练过程使用了基于上下文的多阶段策略优化方法 CAMPO。

MiroMind 介绍了其 Open Deep Research 系统，面向复杂问题开展自动化信息检索、分析与研究报告生成。用户可通过在线 Demo直接体验相关能力。项目的代码资源由 GitHub 组织维护，模型与配套资源则发布在 Hugging Face。

清华大学智能产业研究院（AIR）周浩副教授课题组联合上海人工智能实验室发布蛋白质基座模型 AMix-1。该模型采用系统化方法论，将 Scaling Law、Emergent Ability、In-Context Learning 和 Test-time Scaling 纳入蛋白质模型的构建与研究。工作旨在探索通用基础模型方法向蛋白质领域迁移的可行路径。

AMix-1 是一种基于贝叶斯流网络（Bayesian Flow Networks，BFNs）的蛋白质基座模型新范式。其核心目标是将 Test-time Scaling 引入蛋白质建模，通过增加测试阶段的计算投入提升模型表现。该方案围绕测试时扩展提供了一套系统性的技术路径，为蛋白质生成与分析应用带来新的模型设计思路。

AMix-1 项目公开了技术报告，系统介绍模型及其相关方法。团队同步在 Hugging Face 发布了 AMix-1-1.7B 模型权重，便于研究者下载和实验。项目主页与 GitHub 仓库也已上线，覆盖模型介绍、代码实现及后续复现所需资源。模型权重地址为 https://huggingface.co/GenSI/AMix-1-1.7B。

虚拟生物实验室提供在线访问入口，定位于生物实验相关应用。该项目被收录在医疗应用栏目中，可用于探索人工智能与虚拟实验环境的结合。原始文本未提供具体功能、技术架构或使用说明。

一项最新研究对GPT-5与人类专家的医学影像分析能力进行了比较。结果显示，GPT-5在医学影像推理任务中的准确率比人类专家高出24.23%，在影像理解任务中高出29.40%。该结果表明大模型在医学影像辅助分析方面具有较大潜力，但原始信息未提供具体评测数据、研究链接及实验设置。

MedXpertQA是面向专家级医学知识与高级推理能力的综合评估基准。该基准包含文本测试和多模态测试，共收录4460道题目。内容覆盖17个医学专科与11个身体系统。题目来源包括20余项权威医学考试，例如美国医师执照考试和欧洲放射学委员会考试。

VQA-RAD是面向医学场景的视觉问答测试集，收录315张放射影像。数据集包含与影像对应的3515个问答对。它常用于测试医学多模态大语言模型理解复杂医学图像并生成准确文本回答的能力。

该综述系统讨论了强化学习在大推理模型训练中的作用，并将其与监督微调进行比较。研究认为，SFT更倾向于学习和记忆已有模式，而RL在可验证任务及明显分布偏移下更可能形成真正的泛化能力。不过，RL的效果会受到初始训练数据分布和验证奖励设计的显著制约，并非适用于所有场景。未来可探索SFT与RL统一、交替或互补的训练范式，以弥补单一方法的能力缺口。

强化学习中的验证方式主要分为基于规则和基于模型两类，后者常采用 LLM-as-a-Judge，但可能带来较高推理时延。奖励模型既可依据人工或合成数据的标准进行判断，也可与生成模型合并，或在训练过程中协同更新。奖励粒度可从轨迹级逐步细化到步骤、对话轮次乃至 token 级，并通过归一化降低奖励方差。奖励信号通常综合正确性、格式、熵或置信度以及长度等因素；训练还涉及在线与离线优化、熵正则化、长度惩罚和重要性采样等策略。

在基础模型上直接采用SFT或强化学习可能取得相近效果，因此需要判断不同阶段和任务下的最优训练方案。面向LLM推理的强化学习不应过度依赖特定技巧，而应进一步发现稳定、可复现的 scaling law，并研究结果奖励与过程奖励的组合方式。持续强化学习、基于记忆的强化学习以及真实场景中的在线适应，是提升模型长期能力的重要方向。未来还可探索利用扩散语言模型进行隐空间推理与反思、自适应语言模型和高效架构中的强化学习，以及 In-Context RL 与传统AI方法结合的新范式。

动态RL环境图展示了LLM强化学习环境从静态向动态演进的资源版图，并按基于规则、代码、游戏、模型及集成学习等类别组织。图中标注了读取数据、规则合成和模型合成等数据来源，以及训练集与测试集规模。训练框架图对比了用于LLM后训练的开源RL基础设施，区分主要开发项目与二次开发项目。其能力维度涵盖异步、代理、多代理和多模态运行时，以及vLLM、SGLang服务和DeepSpeed、Megatron、FSDP训练支持。

论文针对 LLM 强化学习中的“零回报假设”展开研究，即中间令牌没有即时任务奖励，只有完整响应获得最终奖励。作者提出轨迹策略梯度定理，证明即使真实令牌级奖励未知，也能仅通过响应级奖励无偏估计 REINFORCE 和 Actor-Critic 系列算法的策略梯度。该结论为 PPO、GRPO、ReMax、RLOO 等响应级奖励训练方法提供了统一理论解释。论文还提出令牌增强策略优化（TRePO），其结构比 PPO 更简单，内存效率与 GRPO 相当，并具有较广的适用范围。

AlphaProof 采用类似 AlphaZero 的训练思路，通过持续探索和自我对弈式学习提升数学证明能力，其搜索过程可能涉及蒙特卡洛树搜索（MCTS）。系统微调 Gemini 执行自动形式化，将自然语言数学题转换为可由机器处理的形式语言。随后借助 Lean 等形式化证明工具验证推理步骤，并利用 proof assistant 提供的精确反馈作为强化学习信号。

AlphaGeometry与AlphaProof的技术路线存在明显差异，其几何推理部分大量借助传统方法，并以吴文俊将几何问题代数化求解的方法作为基准。系统先随机采样一组几何前提，再通过传统推理器推导出大量结论。针对每个结论，它会寻找能够恰好推出该结论的最小前提集合，从而自动构造几何题及其证明数据。数据中隐含的辅助构造可用于训练语言模型学习生成辅助线，减少对人类证明数据的依赖。

DeepMind 的 FunSearch 使用程序搜索方法探索 Cap Set 这一组合数学问题。系统通过持续生成、评估和改进优先级函数，发现了当时已知规模最大的 Cap Set。该成果表明，将大模型与自动评估及搜索机制结合，可以在离散数学问题中发现新的高质量解。

大语言模型在强化学习训练中常出现熵值快速下降、推理路径固化的问题，导致利用显著压过探索。受“First Return, Then Explore”思想启发，研究团队提出结构化探索框架 First Return, Entropy-Eliciting Explore（FR3E）。该方法先识别推理轨迹中具有高不确定性的关键 token，再以其为锚点展开多样化探索。FR3E还在GRPO++基础上引入动态优势调制机制，以更精细地控制学习信号并提升训练潜力。

Qwen 团队面向 Qwen3 提出了组序列策略优化（Group Sequence Policy Optimization，GSPO），并指出 DeepSeek 使用的 GRPO 在部分场景下存在方法设计问题。GSPO 将重要性采样的粒度从 token 级提升至完整序列级，使策略优化目标与序列奖励更好地对齐。该方法还按照序列长度进行归一化，可显著降低训练方差、增强稳定性。由于优化过程更加稳健，GSPO 不再依赖 Routing Replay 等额外的路由辅助策略。

该综述聚焦推理模型与强化学习的结合，梳理相关技术进展和研究方向。文章讨论如何利用强化学习提升模型的复杂推理能力，并将其视为迈向更高水平智能的重要路径。参与团队包括清华大学、上海AI Lab等机构，可作为了解推理模型训练范式与前沿趋势的参考。

OpenAI与谷歌DeepMind在IMO 2025题目测试中均完成了六道题中的五道。谷歌Gemini采用了新的Deep Think模式，以增强长程思考和复杂问题求解能力。OpenAI的成绩据悉得益于通用强化学习方法及推理计算扩展方面的突破。这一结果表明，通用大模型的数学推理能力正快速接近顶尖竞赛水平。

该论文围绕国际数学奥林匹克（IMO）问题，探索Gemini 2.5 Pro与自研多轮验证框架的组合应用。其核心方法不只关注生成解答，还引入多轮验证来检查推理过程与结果。研究对“解题+验证”的完整流程进行了系统性拆解，为提升复杂数学推理的可靠性提供了方法参考。

OpenAI 直接公开了模型生成的原始数学证明，这些证明具有鲜明的机器逻辑，可能富有创意，但对人类而言较难阅读。团队指出，随着模型思考时间从数小时延长至数百乃至上千小时，评估周期将成为严重制约研究迭代的瓶颈。进一步扩展推理能力还需要并行计算与多智能体协作，同时让模型提出新颖且有价值的问题，可能是继解题之后的下一项重大挑战。最新 IMO 模型虽然仍未解决一位数学教授提出的高难度问题，却首次明确识别并承认自己无法作答，显示出元认知和可靠性方面的进步。

字节 Seed 发布了面向复杂数学问题的形式化推理模型 Seed-Prover，主要使用 Lean 4 生成可验证的数学证明。该模型在 MiniF2F 数据集上实现了 100% 正确率，文中称其表现超过 AlphaGeometry2、DeepSeek-Prover-V2、Kimina-Prover、Goedel-Prover-V2 和 o4-mini 等模型。与以往方法相比，Seed-Prover 将引理式证明作为核心范式，强调在推理过程中主动提出和运用中间引理。

MATT-BENCH聚焦多模态大模型在自动定理证明任务中的表现。该基准可能结合多模态信息与形式化逻辑推理，用于检验模型理解问题并构造证明的能力。现有文本未提供具体实验结果、数据集构成或模型对比信息。

阶跃星辰发布并开源了 StepFun-Prover-Preview 系列形式化定理证明大模型。首批模型包含 StepFun-Prover-Preview-7B 和 StepFun-Prover-Preview-32B 两种参数规模。该系列聚焦形式化数学推理与机器可验证的定理证明任务，为不同算力条件下的研究和应用提供了模型选择。

StepFun-Prover采用基于环境反馈的强化学习流程训练形式化证明能力。模型能够在推理过程中与环境实时交互，并依据反馈逐步修正证明步骤。其训练分为两阶段监督微调（Two-stage SFT）和工具集成强化学习（Tool-integrated RL）。这种方法将基础证明能力学习与可验证的工具反馈结合起来，以提升推理的准确性和稳定性。

StepFun-Prover-Preview 是面向规则推理与形式化证明任务的 32B 参数模型。项目已在 GitHub 开放代码，并通过 Hugging Face 提供模型权重。技术报告介绍了该模型的设计、训练与推理方法，可作为自动定理证明研究的参考。

华为诺亚方舟实验室提出高阶推理框架思维森林（Forest-of-Thought，FoT）。该框架突破传统大模型的线性推理方式，同时构建多棵并行推理树，从不同角度探索解题路径。FoT在推理过程中引入动态自我修正机制，并通过多视角共识策略筛选更可靠的答案。相关结果显示，其数学推理准确率超过97%。

思维链并不等同于模型内部真实、完整的推理过程。它可以展示模型生成答案时给出的中间步骤，为分析行为提供有价值的线索。然而，这些表述可能是不完整的、事后构造的，甚至与实际决策依据不一致。因此，CoT更适合作为补充性分析工具，而非可解释性的最终证据。

应为 AI 推理引入更严格的验证机制，而不能仅依据最终答案或表面推理文本进行判断。激活修补可通过干预模型内部激活，分析特定表征与结论之间的因果关系。反事实检验能够观察输入或中间步骤变化后，模型行为是否符合预期。验证器模型则可辅助审查推理步骤的正确性与一致性，综合评估推理过程的忠实程度。

该方向主张借鉴认知科学机制改进 AI 推理。模型可模拟人类的错误监控过程，主动识别并修正推理中的偏差。通过结合直觉式快速判断与反思式审慎分析，并呈现自我修正过程，AI 的解释有望更加自然和可信。

应强化人类专家对 AI 推理过程的监督。为此，需要开发更强大的审查与验证工具，帮助专家识别推理中的错误、偏差与不一致。将人工判断纳入验证流程，有助于确保模型输出更加可靠和可信。

亚利桑那州立大学论文《Is Chain-of-Thought Reasoning of LLMs a Mirage? A Data Distribution Lens》从数据分布视角考察大模型的链式思维能力，指出 CoT 在训练分布之外可能失效。马库斯认为，这反映了大模型尚未解决持续数十年的分布漂移与系统性泛化问题。GPT-5 在数字母等简单任务上的失误，也被视为仅靠扩大模型与数据规模无法稳定获得通用推理能力的例证。他主张转向神经符号 AI，将神经网络的学习能力与符号系统的抽象推理能力结合起来。

该项目开源了面向科学推理的大规模高质量后训练数据集。数据旨在帮助 Qwen3 等大语言模型学习科学问题的分析与推导过程，提升其解决复杂科学任务的能力。它可作为监督微调或其他后训练流程的数据基础，降低构建科学推理模型的数据门槛。

上海创智学院与上海交通大学 GAIR Lab 联合发布了 MegaScience 数据集。该数据集包含约 125 万条问答对及其参考答案，覆盖生物学、化学、计算机科学、经济学、数学、医学和物理学等领域。其大规模、跨学科的内容可为通用人工智能系统提供科学知识与推理训练素材。MegaScience 也可用于系统评估模型在不同科学领域中的理解和推理能力。

ViGaL 的实验表明，精心设计的游戏可以作为无需人工标注、近乎无限扩展的合成任务，为多模态推理训练提供新数据来源。相比直接针对目标任务进行专项训练，该范式甚至能在未使用数学样本的情况下超越数学专训模型。多个游戏任务还可组合使用，并在增强推理能力的同时维持模型的综合表现。该结果提示，在高质量人类数据趋于枯竭、传统 Scaling Law 面临瓶颈时，训练通用底层能力可能比持续堆叠目标任务数据更有效。

该论文提出 PromptCoT 2.0，聚焦大语言模型推理场景中的提示合成与规模扩展。其核心方向是自动构造可用于激发或训练思维链推理能力的提示数据，减少对人工设计任务的依赖。该研究体现了从有限提示工程向系统化、规模化合成推理数据的转变。

PromptCoT 2.0 用可扩展的期望最大化（EM）循环取代人工启发式方法，通过迭代精炼推理过程来指导高难度提示构建。生成的提示既可用于带可验证反馈的自我对弈，也可用于从教师推理轨迹蒸馏知识的监督微调。在 Qwen3-30B-A3B-Thinking-2507 上，该方法提升了 AIME、HMMT、LiveCodeBench 和 Codeforces 等基准的成绩。仅使用合成提示训练 Qwen2.5-7B-Instruct，也在数学与代码任务上超过了采用人工或混合数据训练的模型，说明提示合成可成为扩展模型推理能力的新路径。

Synthetic Data RL 提供了一种结合数据合成与强化学习的训练方案。该方法仅依据任务定义即可生成训练数据，并利用这些数据进行强化学习。它无需依赖大规模人工标注数据，有望提升模型训练的效率与自动化程度。

文章围绕蚂蚁万亿参数思考模型 Ring-1T 展开实测。测试将 Ring-1T 与 DeepSeek V3.2 放在同一对比框架中，关注两款模型的实际表现。内容可用于观察新一代大规模推理模型的能力差异与使用体验。

蚂蚁开源最新 MoE 模型 Ling-flash-2.0，标题信息显示其以 6.1B 激活参数达到约 40B 稠密模型的性能。原始摘要同时提到 Ring-mini-2.0 以 16B 参数超越 10B 规模稠密模型，展现出突出的逻辑推理能力。相关结果体现了 MoE 架构在控制推理成本与提升模型能力方面的潜力。原文中的模型名称与参数口径存在差异，具体配置应以官方技术说明为准。

GLM-4.5V 是智谱推出的开源多模态模型，可通过 Z.ai 在线体验。模型权重已发布至 Hugging Face，并在 GitHub 提供配套开源代码。官方还提供桌面助手 Demo App，方便用户在本地或桌面环境中试用。国内用户也可通过魔搭社区获取相关模型资源。

GLM-4.5V 具备图像识别与推理、视频理解等视觉多模态能力。其评测覆盖图像理解、视频理解、GUI 和文档理解等任务，共涉及 41 个公开榜单。综合结果达到开源模型 SOTA 水平，且与实际测试体验基本一致。

GPT-5 被描述为一个由三个核心部分组成的一体化系统。智能高效的基础模型负责解答大多数常规问题，深度推理模型（GPT-5 思维模块）则用于处理更复杂的任务。实时路由模块会结合对话类型、问题复杂度、工具需求以及用户的显式指令，动态调度合适的模型。

GPT-5 的第一波实测结果呈现出不同基准间的能力差异。在 ARC-AGI 测试中，GPT-5 的成绩低于 Grok 4。与此同时，GPT-5 在常识推理基准 SimpleBench 上超过了人类平均水平，被称为大模型首次达到这一成绩。SimpleBench 的问题对人类较为简单，却往往能暴露大模型在基础常识推理方面的不足。

GPT-5 正式亮相，并面向普通用户提供免费使用入口。文章将其描述为能力领先的旗舰大模型，同时突出低门槛、傻瓜式的交互体验。用户不必掌握复杂的提示词或模型选择方法，也能直接借助 GPT-5 完成日常任务。免费开放有望进一步推动先进大模型的大众化普及。

Qwen发布Qwen3-4B-Instruct-2507和Qwen3-4B-Thinking-2507两款4B端侧模型。Instruct版本定位非推理场景，重点提升通用能力；Thinking版本面向逻辑、数学、科学和代码等专家级推理任务。两款模型支持最高256K上下文，强化了长文本处理与上下文感知能力。模型已在Hugging Face和魔搭社区开放获取。

小米发布并全量开源声音理解模型 MiDashengLM-7B。该模型以 Xiaomi Dasheng 作为音频编码器，以 Qwen2.5-Omni-7B Thinker 作为自回归解码器。通过通用音频描述训练策略，模型能够统一理解语音、环境声音和音乐。其数据吞吐效率提升约 20 倍，推理速度提升约 4 倍，并取得声音理解新 SOTA。

阶跃星辰在 2025 WAIC 大会上发布新一代旗舰基座模型 Step 3，进一步推进其多模态大模型路线。Step 3 覆盖视觉理解、数学推理与代码推理等能力。在 MMMU、MathVision、SimpleVQA、AIME 2025 和 LiveCodeBench 等榜单中，该模型取得开源多模态推理模型 SOTA 成绩。报道还称其推理效率最高可达到 DeepSeek-R1 的 300%。

谷歌开源 Gemma 3 270M 模型，其参数规模为 2.7 亿。该模型属于 Gemma 3 系列，重点体现轻量化方向。原始文本未提供模型能力、许可证、下载地址及评测结果等更多信息。

该新模型仅采用 4个注意力头。相比之下，Qwen 3 0.6B的注意力头数量多出12个。更精简的注意力结构与该模型的轻量化定位相符，但原文未提供模型名称及具体性能数据。

OpenAI正在探索名为「Universal Verifier（通用验证器）」的技术，以提升GPT-5在多个领域的表现。其核心机制是由一个AI模型担任验证者，对另一个模型生成的答案进行质量检查。验证结果可用于筛选、修正或优化输出，使模型能力获得更稳定的改进。这一方向体现了以自动化反馈增强模型推理与可靠性的趋势。

代号为 Orion 的模型原本被寄予成为 GPT-5 的预期，但实际性能增幅据称明显低于目标。其受阻原因包括高质量训练数据逐渐枯竭、强化学习过程不稳定，以及扩大模型规模时出现性能退化。最终，该模型以 GPT-4.5 的身份发布。这反映出单纯依赖数据、算力和参数规模扩展的路线正面临瓶颈。

该系统包含生成模型与评判模型两个角色。生成模型负责产出候选答案，评判模型则对答案质量进行评价。其工作方式类似于生成对抗网络，通过生成与反馈的配合提升输出质量。

CompassVerifier 是一个面向大语言模型输出验证的轻量级模型。它强调跨领域适用性与验证结果的稳健性，可用于判断 LLM 生成内容的质量或正确性。配套的 VerifierBench 是一个综合基准数据集，用于系统评估验证模型在不同领域中的表现。该工作体现了从提升生成能力转向强化输出验证与质量控制的新趋势。

现有答案验证方法主要依赖正则表达式或通用大模型，需要针对不同任务反复定制规则与提示，且缺少系统衡量验证能力的综合基准。CompassVerifier 是一个用于结果评估和奖励建模的轻量级验证模型，可覆盖数学、知识及多种推理任务。它能够处理多子问题、公式、序列等复杂答案类型，并识别异常或无效响应。配套的 VerifierBench 汇集多个数据源的模型输出，并通过人工分析元错误模式增强数据，以提升验证器的鲁棒性和泛化能力。

上海AI Lab与澳门大学提出 CompassVerifier，并发布面向验证模型的多领域高难度基准 VerifierBench。该工作展示了小至 3B 参数的验证模型也能具备较强性能，凸显验证器在模型训练和推理阶段的价值。其核心观点是，AI解决任务的难度与任务的可验证性密切相关，易于验证的任务更可能率先被自动化攻克。项目同时开放了论文、代码、模型与数据集。

“强化学习之父”提出，大语言模型可能并非探索高级智能的正确起点。这一观点对当前围绕规模化预训练和语言建模展开的主流路线提出了质疑。相关讨论提示研究者关注智能体通过环境交互、持续学习和自主适应获得能力的可能性。

文章介绍了一种名为“马尔可夫思考机”的大模型推理方案。该方法强调以马尔可夫式状态组织思考过程，减少推理对完整历史信息的重复处理。其目标是将推理成本降至随过程长度线性增长，从而改善长链推理的效率与可扩展性。

CMU 与斯坦福研究团队提出了一种面向大语言模型的全新推理范式。其核心思路是让模型自行寻找解决问题的“窍门”，从具体任务中提炼可复用的抽象推理规律。该研究关注模型从实例经验走向抽象推理的能力，有望提升其面对新问题时的泛化表现。

苹果发布了一项关于大语言模型幻觉检测的新研究，目标是更精准地定位模型输出中的幻觉内容。该研究不仅关注回答是否存在错误，还强调识别具体出错位置。报道指出，GPT-5、o3 等先进模型在这一任务上仍面临挑战。这表明细粒度幻觉评估仍是提升大模型可靠性的关键研究方向。

腾讯AI Lab俞栋团队发布并开源Parallel-R1，并称其为首个并行思考强化学习框架。该框架尝试通过并行思考机制增强模型处理复杂推理任务的能力。标题披露的实验结果显示，其复杂推理表现提升42.9%。相关技术细节、评测设置与开源地址需参阅原文。

大模型的 Token 成本预计每年下降约 10 倍，但 AI 产品的订阅费用并未同步降低。与此同时，AI 可完成的任务长度约每 6 个月翻一倍，能力提升扩大了模型的实际使用价值。用户需求往往集中于当下最强的语言模型，而非满足基本需求的低成本模型。这种能力竞争与需求集中现象，为 AI 公司维持甚至提高订阅价格提供了空间。

智能体可形成“自主决策—执行—洞察—反哺”的闭环，在完成任务的同时积累反馈。它能够主动拆解目标并智能调度资源，根据交互结果持续调整策略。推理侧重于从已有信息得出结论，而规划更关注目标分解、行动排序和资源配置。递归自我改进（RSI）进一步指向智能体利用反馈持续增强自身能力的研究方向。

普林斯顿大学 AI Lab 推出通用智能体 Alita，主张“简单即极致的复杂”。针对传统智能体依赖大量预定义工具和复杂工作流所导致的覆盖有限、创造力受限及适配失配，Alita 只保留最核心的基础能力。它能够根据任务需求自主创建、优化并复用 MCP 工具，从而持续扩展自身能力。该设计旨在提升智能体的创造力、灵活性、可扩展性以及跨生态系统兼容性。

ToolTrain 是一个面向代码问题定位的两阶段训练框架。第一阶段采用监督微调，使大模型学习基础的工具使用与定位策略；第二阶段引入强化学习，进一步优化检索和决策过程。框架集成代码库检索工具，帮助模型从大型代码仓库中获取相关上下文，并在问题定位任务上达到最先进的性能水平。

问题定位需要从自然语言描述出发，跨越语义差距并沿代码依赖关系进行多跳推理，以识别需要修改的代码位置。现有智能体接入代码库检索工具后，会面临更具挑战性的 Repo Deep Search，需要在多步推理与导航中正确选择和使用工具。ToolTrain 采用两阶段训练方案，先进行基于拒绝采样的监督微调，再开展工具集成强化学习。实验中，其 32B 模型在函数级定位上超过 Claude-3.7，且定位能力的提升进一步改善了端到端软件问题解决效果。

MCP·RL是OpenPipe基于智能体强化训练系统ART推出的项目，目标是降低工具型智能体的训练门槛。用户只需提供MCP Server地址，无需手动配置工具、编写提示词或标注训练数据，模型便能自主发现工具并设计任务。智能体在实际执行任务的闭环反馈中持续探索，通过强化学习逐步形成更优的工具调用策略。其底层ART是开源强化学习框架，可将GRPO训练集成到Python应用中，以提升智能体的可靠性。

AI Mathematician（AIM）是一个面向前沿理论研究的推理框架。它尝试让推理模型参与复杂数学问题的求解，而不局限于标准答案明确的基准题。原文称该框架能够产出完成度较高的证明，体现了智能体辅助理论研究的潜力。其证明的正确性、原创性和可复核性仍需结合具体论文与实验进一步判断。

当前数学理论研究面临问题复杂度高与证明严谨性难以评估两大挑战，其推导通常涉及引理构造、长程思考和跨领域知识整合。AIM由探索、验证和修正三大模块组成，分别负责生成猜想与引理、并行审查证明过程，以及根据反馈优化证明结构。其“探索+记忆”机制将过长的推理路径拆解为多轮递进探索，并通过中间猜想逐步形成完整证明。其“检验与修正”机制调用多个大语言推理模型并行评审，采纳最严苛的意见拒绝不严谨证明，再持续修复证明细节。系统还支持接收人工修正意见，以提升最终结论的可靠性。

论文《Agentic Web: Weaving the Next Web with AI Agents》描绘了由大语言模型智能体驱动的下一代互联网框架。用户无需手动浏览网页或点击按钮，只需以自然语言描述目标，智能体便可自主规划、搜索并调用网络服务。该框架支持智能体之间持续协调和交互，共同执行复杂的目标导向任务。网络资源与服务也将从主要面向人类使用，转变为同时向人类和智能体开放。

该条目指向 arXiv 编号为 2503.23350 的论文 PDF。原始文本未提供论文标题、作者及摘要，暂时无法可靠提炼具体方法与结论。可访问论文链接获取完整内容后进一步整理。

该资源是关于 WebAgents 的 SIGKDD 教程页面，并提供配套 PPT。教程聚焦能够感知网页环境、规划任务并执行网络操作的智能体。它可作为学习网络智能体基本概念、关键技术与应用场景的入口。

WebAgents 完成用户指令主要包括感知、规划与推理、执行三个过程。感知阶段要求智能体准确观察并理解当前环境状态。规划与推理阶段需要结合环境与用户任务，预测并选择合理的下一步行动。执行阶段则负责落实生成的动作，并持续与环境交互。

Cognitive Kernel-Pro 是腾讯 AI Lab 推出的全开源、多模块、层次化智能体框架，面向深度研究智能体的开发与训练。在 GAIA 全集评测中，该框架超越免费开源框架 SmolAgents，表现接近依赖付费工具的智能体。在 GAIA-text 上，其训练得到的 8B 模型超过 WebDancer 和 WebSailor-7B。项目还公开了 Agent Foundation Model 的训练配方，为社区提供可复现的训练路径。

该框架采用两层多模块架构，由负责任务分解与信息整合的主智能体，以及网页导航、文件处理等专用子智能体组成。它通过 Progress State 记录已完成步骤、待办任务、历史经验和关键信息，以改善复杂任务中的规划与执行效率。主智能体和子智能体使用标准化文本接口通信，子智能体以 Python 函数形式接收任务并返回格式化结果与日志。框架还在测试阶段引入反思与投票机制，通过修正动作轨迹和比较多轮结果，增强网页浏览等高随机性任务的稳定性。

该方法将网页浏览、图像搜索、代码解释器和内部 OCR 等能力整合到统一的智能体工具链中。系统通过全自动流程生成高质量推理轨迹，减少对人工标注过程的依赖。在冷启动微调的基础上，进一步使用强化学习优化智能体的决策策略。经过训练后，模型能够根据任务需求自主选择合适的工具组合与推理路径。

WebWatcher 面向高难度多模态深度研究任务，构建了覆盖数据生产、模型训练与优化的完整技术链路。其核心是增强多模态智能体对复杂信息的理解与灵活推理能力。该方案还强调多种工具之间的协同调用，使智能体能够完成更复杂的研究流程。整体设计体现了数据、训练与工具使用能力的一体化优化思路。

研究团队为全面验证 WebWatcher 的能力，提出了视觉语言评测基准 BrowseComp-VL。该基准是 BrowseComp 向视觉—语言任务的扩展，重点考察智能体处理跨模态信息的能力。其任务难度被设计为接近人类专家执行复杂跨模态研究时的水平。

原始文本仅包含 arXiv 论文编号 2508.05748 的访问链接。根据编号可判断论文发布于 2025 年 8 月，但无法据此确定具体发布日期。由于未提供标题和摘要，论文的研究问题、方法与结论需访问原文后确认。

智能体的应用边界正在超越传统的单一对话场景。它们开始直接与代码库、网页、操作系统和移动端等数字环境交互。进一步地，智能体也可参与科学实验等专业场景，在真实或模拟环境中执行复杂任务。这一趋势对环境感知、工具调用、任务规划与可靠执行能力提出了更高要求。

Agent 的指令不再局限于人工输入，而是可以来自多个渠道。自我反思产生的反馈能够形成新的内部指令，帮助智能体调整后续行为。其他智能体在协作过程中提供的信息也可转化为任务指令，从而构建动态的决策与执行流程。

智能体运行在连续且多样的反馈环境中，可实时接收指标、奖励等信号。通过分析这些动态反馈，智能体能够持续调整策略并优化自身能力。相较于依赖用户对话纠正的被动模式，这种机制支持更主动、长期的自我进化。

论文系统梳理了现有 AI Agent 评测基准，提出“环境—能力”双维度分类框架。随着外部环境日益复杂，智能体需要具备复杂规划、持久记忆和自主推理等高级能力。评测重点也由被动响应逐步转向考察智能体在复杂环境中的自主执行表现。这一框架有助于分析不同基准所覆盖的环境难度与能力层级。

AI Agent 的能力评测涵盖规划、自我反省、交互和记忆等高级能力。环境将从单模态、静态和少状态设置，转向多模态、动态及多状态场景。智能体测试将由单 Agent、单轮任务扩展至多 Agent 与多轮互动，评测方式也将从人工评价走向 AI 自动评测和个性化评价。指标则由粗粒度正确率升级为细粒度体系，同时考察效率、安全性与社会价值。

论文将 Misevolution 定义为智能体在自进化过程中偏离预期方向，最终产生不良或有害结果的现象。典型自进化循环包括接收任务、生成执行轨迹、获取反馈以及更新自身组件，但循环优化并不天然保证安全。风险可能出现在模型自训练造成安全对齐退化、记忆积累引发目标偏移与奖励破解、工具创建和复用带来漏洞，以及工作流优化以安全性换取性能等方面。作者建议在进化流程中引入安全护栏，并对每次更新进行有效性验证和安全检查。

Agentic Context Engineering（ACE）将模型的自我提升从参数微调转向可持续演化的上下文。生成器针对新任务产生推理轨迹，暴露有效策略、错误模式与常见陷阱；反思器评析轨迹并通过多轮迭代提炼经验。整编器把经验压缩为增量条目，再利用轻量级、非 LLM 的逻辑机制合并到已有上下文中。ACE 将上下文表示为结构化条目集合，而非难以局部更新的单一整体提示词，从而支持成功经验与失败教训的双向积累。

自然进化塑造了蛋白质等高度复杂的结构，而AI可以通过模拟类似过程来理解这些结构。AlphaGo和AlphaFold的共同点，是对无法穷举的高维组合空间建立模型。它们不直接枚举所有棋局或蛋白质构型，而是利用模型引导搜索，将原本难以处理的问题转化为可求解问题。这说明，凡是能够通过进化形成的复杂事物，都可能成为AI建模与优化的对象。

谷歌 DeepMind 探索了一类由大语言模型引导的进化搜索方法：LLM 负责提出候选方案，进化计算负责在搜索空间中筛选并发现新颖区域。这种方法体现了基础模型与经典计算技术融合的潜力，而非仅依赖模型自身完成求解。除进化算法外，蒙特卡洛树搜索等搜索与推理算法也可以构建在基础模型之上，或将模型输出作为探索起点。对于需要发现前所未见方案的任务，显式搜索过程可能是推动系统持续自我进化的重要组成部分。

该综述聚焦自进化智能体的最新技术与发展方向，讨论其迈向人工超级智能的可能路径。进化系统不仅可以搜索已有方案，还可能通过重组子组件生成新的模式、能力和涌现属性。相比单纯的蒙特卡罗树搜索，自进化更强调将能力持续组合为日益复杂的层级系统。AlphaEvolve 所探索的程序空间为研究此类开放式能力演化提供了重要案例。

Agent Zero 是一款开源 AI 框架，主要面向智能体系统的构建与实验。其特色在于采用区别于常规方案的设计思路，但原文未提供具体架构与功能细节。作为开放框架，它可为智能体能力扩展及自我进化研究提供基础工具。

Agent Zero 被定位为通用个人助手，而非面向单一任务预先编程的专用代理。接到用户任务后，它会主动收集相关信息，并执行必要的命令与代码。它还能够与其他代理实例协作，将复杂任务拆分并共同处理。这种通用执行模式提升了智能体适应不同任务的能力。

文章讨论 Anthropic 在 AI“自我进化”方面的相关动作。其核心关注点是模型或智能体能否通过自主分解任务、调用其他代理等方式持续提升解决问题的能力。多级代理机制可以保持不同代理的上下文清晰与任务专注，但也会增加系统控制和安全治理的复杂度。

EvoAgentX是一个面向自主进化多智能体系统的框架，可自动生成和优化智能体工作流。框架集成多种进化算法，用于迭代改进任务执行策略与协作方式。它还提供任务调度能力，并支持MCP，以便智能体接入外部工具和服务。整体目标是降低多智能体工作流的设计与持续优化成本。

EvoAgentX 是一个具备自我进化能力的多智能体自动化系统。它面向多智能体工作流的构建、执行与持续优化，为智能体协作和自动化任务提供框架支持。项目代码已在 GitHub 开源。

该系统集成了自动工作流生成与任务调度能力，可降低复杂智能体流程的编排成本。它支持模型上下文协议（MCP），便于智能体连接外部工具和数据源。其核心特点是自进化机制，能够自动调整智能体参数并优化工作流结构。随着重复任务不断执行，系统可逐步积累优化结果，使 AI 越用越智能。

AlphaEvolve 是谷歌面向科学与算法发现打造的代码智能体，通过生成、评估和筛选候选程序形成自动迭代闭环。系统利用进化算法保留高质量解法，并持续变异、重组代码以探索更优方案。它把大模型从一次性代码生成器转变为能够依据客观指标自我改进的搜索系统。该方向展示了 AI 在算法优化及科研问题求解中的自我进化潜力。

谷歌尝试把大语言模型与进化算法结合，构建能够自动迭代代码的优化系统。大模型负责提出候选代码或改进方案，进化机制则通过评估和筛选保留表现更优的版本。系统由此形成“生成—评估—优化”的循环，让 AI 在较少人工干预的情况下持续提升解法质量。这种方法可被视为面向算法与代码搜索的自动化“炼丹炉”。

AlphaEvolve旨在利用大语言模型生成代码和新想法，并通过计算机程序自动执行与评估候选方案。系统根据评估结果持续改写和优化代码，形成低人工干预的自我进化循环。其核心研究问题是如何通用地整合先进语言模型与自动化评估工具，使机器能够处理复杂的算法设计任务。最终目标是发现此前未知的算法或科学结果，并显著提升现有工程系统的性能。

AlphaEvolve是一个通用的自动化进化框架，使用一个或多个大语言模型作为“变异引擎”，对现有代码进行大规模、创造性的修改。该框架已在数学和计算机科学领域发现新的算法或优化方案，并可覆盖理论研究与工业应用。它支持按整个文件或不同模块进行进化，也能同时优化运行速度、资源消耗等多个目标。模型生成的修改以代码差异（diff）形式呈现，便于工程师审查改动，提高系统的可解释性、可信度与可控性。

人类在回答有把握的问题时通常更准确，因此置信度可以在一定程度上反映正确性。相关研究探讨这一关系是否同样适用于大语言模型，即模型能否可靠地识别自身答案的质量。在此基础上，研究进一步分析如何扩展“n 选一最优”（Best-of-N）策略，从多个候选答案中选出更可靠的结果。该方向可为模型的自我评估与推理优化提供依据。

该方法比较模型在每个 token 上的预测分布与均匀分布之间的距离，并使用 KL(U‖P) 进行量化。分布越偏离均匀状态，意味着模型越倾向于聚焦少数高概率结果，可视为更强的「自我确定性」。这一指标与强调多种可能性的熵形成对照，可作为分析模型生成信心和推理状态的内在度量。它也有潜力被用作训练或强化学习中的自反馈信号。

研究者提出了从内部反馈强化学习（RLIF）范式，让大模型通过探索与反思建立自身信心。该范式下的 INTUITOR 方法将模型自身的置信度转化为内在奖励，无需外部监督。具体而言，INTUITOR以自我确定性得分替换现有 RLVR 框架中使用的可验证奖励信号。它可直接沿用 GRPO 等框架的策略梯度算法，实现方式简单且高效。

该工作提出了名为 MetaAgent 的智能体范式。其核心理念是“边做边学”，即让智能体在实践过程中发展专业知识。不同于依赖一次性预训练获得固定能力的方法，MetaAgent 强调通过持续行动和经验积累进行自我完善。

MetaAgent 从仅具备基础推理和自适应求助能力的最小工作流开始，在遇到知识缺口时生成自然语言帮助请求，并由工具路由器匹配合适的外部工具。任务执行过程中，它持续进行自我反思与答案验证，将有效经验提炼为简洁文本，动态加入后续任务环境。通过整理工具调用历史，MetaAgent 还可自主构建内部工具与持久知识库，提升信息检索和整合能力。这一持续、数据驱动的机制被称为 meta tool learning，无需修改模型参数或进行额外后训练。

MetaAgent 在 GAIA、WebWalkerQA 和 BrowseCamp 等具有挑战性的知识发现基准上进行了评估。实验结果显示，其性能始终优于基于固定工作流程的基线系统。它还能匹配或超过端到端训练的智能体，体现出自我进化机制在构建通用知识发现系统方面的潜力。

传统神经架构搜索（NAS）通常只能在人类预先定义的搜索空间中寻找较优方案。ASI-ARCH 则尝试自主提出新颖的架构概念，并将其编码实现。系统还会通过严谨实验检验新架构的实际效果，从而形成“构思—实现—验证”的自动化创新闭环。这意味着 AI 架构研究可能由既有空间内的参数优化，转向更开放的结构与规则创造。

作者称，这是人工智能用于 AI 研究（ASI4AI）在神经网络架构发现领域的首次具体展示。研究发现了“科学发现的规模法则”：投入的计算资源越多，系统发现的 SOTA 架构也越多。这表明架构设计中的科学突破可以随 GPU 小时数增加而规模化，不再完全受限于人类研究者的认知能力。该结果为 AI 驱动、自我加速的研究范式提供了一条可计算扩展的路径。

ASI-ARCH 开展了 1,773 次自主实验，累计消耗超过 20,000 GPU 小时。系统成功发现了 106 种创新的先进线性注意力架构，展现出超越人工设计流程的大规模架构探索能力。分析表明，尽管搜索过程尝试了大量新颖组件，性能最好的模型仍倾向于采用一组经过验证的核心技术。这种“广泛探索、有效收敛”的模式与人类科学家的研究方法相似。

这项工作提出了构建自我加速 AI 系统的整体蓝图，使 AI 能够参与并推动研究过程。项目计划开放完整框架以及系统自动发现的架构，方便外部研究者复用和验证。它还公开记录 AI 研究过程的“认知轨迹”，以提升研究的透明度与可追溯性。通过共享这些成果，项目希望降低 AI 驱动研究的使用门槛。

SEAL框架旨在突破大语言模型依赖重新训练才能吸收新知识的限制。模型可根据新输入自动生成训练数据，并进一步更新自身权重参数，从而形成持续适应能力。该框架利用强化学习，以模型执行任务后的表现作为反馈，持续改进其自我编辑策略。其思路有望帮助未来的AI助手更高效地适应个人需求和新环境。

达尔文哥德尔机器（DGM）从单个编程智能体出发，利用冻结的基础模型修改自身 Python 代码库，并通过 SWE-bench、Polyglot 等基准验证改进效果。系统不依赖独立的元智能体，而是以自包含方式递归改进自身，同时保留历代智能体，并依据性能与新颖性选择后续探索的父代。经过 80 次迭代，其 SWE-bench 成功率由 20.0% 提升至 50.0%，Polyglot 成功率由 14.2% 提升至 30.7%。进化过程中还涌现出更精细的编辑工具、重试与评估机制、历史感知补丁生成和长上下文代码摘要，并能跨基础模型与编程语言迁移。

2003 年，AI 先驱、LSTM 之父 Jürgen Schmidhuber 提出了「哥德尔机（Gödel Machine）」构想。该系统采用递归式自我改进协议，通过形式化推理判断代码修改是否能带来更优策略。只有在能够证明修改具有收益时，系统才会重写自身代码。这一思想为可验证、可控的自我进化智能系统提供了早期理论框架。

中国科学院磐石研发团队提出一种“神经-符号”融合规划器，将神经模型的学习能力与符号方法的结构化规划能力结合起来。该方法借鉴人类运动学习机制，旨在增强模型处理复杂规划任务时的可靠性与效率。报道指出，该规划器在相关实验中的性能显著超过 o1。研究展示了神经学习与符号推理协同用于规划问题的潜力。

混合规划器将神经规划系统与符号规划系统结合起来。神经方法擅长从数据中学习模式并适应复杂环境，符号方法则适合处理明确规则、逻辑约束与可验证推演。二者融合有望在规划效率、泛化能力、可解释性和可靠性之间取得平衡。

人类运动学习中的结果知识（Knowledge of Result，KR）会在动作执行后提供增强信息，帮助学习者判断目标是否达成并纠正错误。规划问题、规划器和动作序列可分别类比运动学习中的试验、学习者和行动序列，因此可以将反馈闭环机制迁移到规划任务中。神经—符号融合规划器 KRCL（Knowledge-of-Results based Closed-Loop）由正向神经规划器生成动作序列，并通过反向 KR 反馈持续检测和修正错误。该双向机制显著增强了规划系统的表达能力、适应能力、泛化能力与可解释性。

该方法为正向规划器引入了按需反馈机制。系统仅在规划过程需要补充信息或修正方向时，自动激活反馈接收，而非持续依赖反馈。原文称其在规划覆盖率和规划效率两项指标上均显著优于 OpenAI o1。

论文围绕大语言模型智能体中的记忆机制展开系统性综述。其重点涉及智能体如何存储、组织、检索和利用历史信息，以支持持续交互与复杂任务执行。文章有助于梳理现有记忆架构、实现方法及其在智能体系统中的作用。该综述也为后续研究记忆效率、长期一致性和动态更新机制提供了参考。

OneEval 聚焦大语言模型基于多元化知识库完成知识密集型推理的能力。该基准旨在统一考察模型获取、整合并运用不同来源知识的表现。它可用于识别模型在知识覆盖、跨来源推理和答案生成方面的能力短板。

论文聚焦仇恨相关任务的模型评估，讨论静态基准未能呈现的信息。其核心问题是，固定数据和榜单分数可能不足以反映模型面对不断变化的表达方式与真实场景时的表现。因此，相关研究需要超越单次静态测试，探索更具动态性和现实性的评估方法。

Ineq-Comp 是一个面向不等式自动定理证明的组合推理评测基准。它关注模型能否像人类一样，将多个直观的推理步骤或不等式技巧组合起来完成证明。该基准可用于识别现有定理证明系统在复杂推理链、策略组合和证明泛化方面的不足。

专注于超智能和高级 AI 系统研究的机构 AAI 近期提出了新基准 FormulaOne。GPT-5、o3 Pro、Gemini 2.5 Pro 和 Grok 4 等前沿模型在该基准上均得到零分。这一结果表明，FormulaOne 的任务难度可能显著超出现有主流模型的能力范围。该基准也为识别前沿模型的共同能力盲区提供了新的评估视角。

该链接指向 HuggingFace Spaces 上的 FormulaOne Leaderboard。该页面以排行榜形式展示相关模型的评估结果，便于横向比较不同模型的表现。具体评测指标、数据范围和排名规则需以页面说明为准。

FormulaOne 包含 220 个新颖的图结构动态规划问题。题目按难度划分为三类，范围从中等难度延伸至科研级别。最高难度题目涉及拓扑与几何、组合问题分析等复杂领域，可用于检验模型的算法设计与深层推理能力。

Maximal-Cluster-Graph 的问题陈述看似简单，寻找正确的动态规划解法却极具挑战。求解过程包含细微的组合结构与逻辑陷阱，需要深入理解问题的底层结构。论文附录详细推演了完成该难题所需的十五个相互依赖的推理步骤，可用于观察复杂算法推理的完整链条。

AAI 的核心目标是推动人工专家智能（AEI）的理论研究与实际应用。AEI 区别于传统窄域 AI 和 AGI，强调把深厚的领域知识与严密的科学推理能力结合起来。该路径试图突破窄域系统只擅长特定任务、通用系统在专业问题上精度不足的局限。其目标是让 AI 像顶级人类专家一样，解决复杂的科学与工程难题，并需要相应的自动化评估体系衡量其专业能力。

Scrum 是一种敏捷软件开发与项目管理方法，以短周期 Sprint 推动增量交付。团队通过每日站会同步进展，并利用产品待办列表（Backlog）管理需求与优先级。核心角色包括产品负责人、Scrum Master 和开发团队，可配合 Jira、Trello 或 Azure DevOps 落地实施。

Kanban 使用看板直观呈现任务状态和工作流程。其核心实践包括限制在制品（WIP）数量，以减少任务堆积并促进持续交付。该方法适合需求较稳定、流程较明确的项目，可借助 Notion、Monday.com 或 GitHub Projects 实施。

极限编程（XP）强调结对编程、测试驱动开发、持续集成和现场客户参与。其常见实践包括小型发布、简单设计、持续重构与集体代码所有权。测试驱动开发（TDD）要求先编写失败的测试，再实现代码使测试通过，最后对代码进行重构优化。这一过程通常概括为“红—绿—重构”循环。

测试驱动开发在测试通过后重构代码，以优化结构并确保既有功能不受影响。Java、Python 和 JavaScript 项目可分别使用 JUnit、PyTest 与 Jest 构建自动化测试。该方法适合质量要求较高且需要频繁重构的项目。行为驱动开发（BDD）则以用户行为为中心，通常使用 Gherkin 语法以自然语言描述需求。

行为驱动开发通常在明确行为规范后实现功能，并以测试是否通过作为完成标准。常见工具包括支持多语言的 Cucumber、面向 Python 的 Behave，以及适用于 .NET 的 SpecFlow。该方法适合需要开发、测试和产品团队共同协作的项目。功能驱动开发（FDD）则以功能为基本单位，分阶段开展规划与实现。

精益软件开发源自丰田生产系统，强调消除过度设计、等待和缺陷等浪费，以最大化客户价值。其主要原则包括快速反馈、持续改进、尊重团队成员并授权决策，常见实践有价值流分析、最小可行产品（MVP）和看板管理。精益方法适合资源有限、需要快速验证产品方向的创业项目。持续集成与持续交付则通过自动化构建、测试和部署保障代码质量，并支持频繁、稳定地交付软件。

持续集成（CI）要求开发者频繁将代码变更合并到共享代码库。每次合并通常会自动触发构建和测试流程，以验证代码质量与兼容性。该实践能够缩短问题反馈周期，降低集中集成带来的风险。

持续交付流程可将软件变更自动部署到预发布环境。该环境用于在正式发布前验证版本的可用性与部署过程。自动化部署有助于减少人工操作，并提升交付效率与一致性。

持续部署强调将软件自动发布到生产环境，适合需要快速迭代和频繁发布的项目，常用工具包括 Jenkins、GitLab CI/CD、GitHub Actions 和 CircleCI。领域驱动设计以业务领域为中心，借助领域模型连接业务与技术，其关键概念包括限界上下文、聚合根和领域事件。DDD 通常配合 UML、EventStorming 等工具，适用于业务逻辑复杂且需要长期维护的大型系统。设计思维则强调以人为本，通过同理心理解并解决用户问题。

传统瀑布模型按照需求分析、设计、编码、测试和维护的顺序线性推进，强调文档驱动与严格的阶段评审。它更适合需求稳定、项目规模较大且文档要求较高的开发任务。混合方法论则根据项目特点组合不同实践，例如 Scrum 与 Kanban、敏捷与 DevOps，以及 TDD 与 BDD。方法论的选择应结合需求稳定性、协作方式、交付节奏和质量目标综合判断。

项目规模是选择软件开发方法的重要依据。大型项目通常涉及复杂的领域模型、团队协作和长期维护，可采用特性驱动开发（FDD）、领域驱动设计（DDD）等结构化方法。小型项目沟通链路较短、需求变化较快，更适合轻量灵活的敏捷开发方式。

软件开发模型的选择应考虑需求稳定性。需求频繁变化的项目更适合敏捷开发，以便通过短周期迭代及时响应调整。需求明确且稳定的项目可采用瀑布模型，按既定阶段顺序推进。

敏捷方法的选择需要考虑团队文化。强调协作、固定节奏和明确角色的团队更适合采用 Scrum。偏好成员自治、持续流动和灵活调整的团队则更适合 Kanban。方法与文化相匹配有助于降低实施阻力。

快速迭代的项目更适合采用敏捷方法，强调持续反馈与频繁交付；需要长期规划和严格验证的项目则可选择传统方法。不同开发方法论并无绝对优劣，关键在于结合项目特性与团队能力形成合适的实践组合。例如，互联网产品通常采用敏捷与 CI/CD，而航天软件更依赖瀑布流程和严格测试。

北京大学、字节跳动 Seed 团队与香港大学联合提出 SWE-Swiss，为训练软件工程问题求解模型提供了一套完整方案。该方案首先使用多任务监督微调构建基础能力，随后通过两阶段强化学习课程强化关键的软件工程技能。其 32B 参数模型 SWE-Swiss-32B 在 SWE-bench Verified 上取得 60.2% 的准确率，达到同参数规模的开源 SOTA。团队同时开放了代码、模型和相关数据资源。

NoCode-bench 是一个面向自然语言驱动功能添加任务的软件工程基准，旨在推动大模型从修复缺陷的“Debugger”走向实现需求的“Developer”。它以真实、文档驱动的功能开发场景衡量模型对代码库的理解和修改能力。实验显示，即便当前最佳大模型的成功率也仅约两成，说明 AI 尚难以胜任复杂的端到端软件开发。研究进一步将主要失败原因归纳为跨文件编辑、代码库理解和工具调用三类，并提供了公开项目与排行榜。

SWE-Flow 是一个基于测试驱动开发（TDD）的软件工程数据合成框架，不依赖人工提交的问题，而是直接从封装高级需求的单元测试中推断增量开发步骤。其核心是构建依赖图（RDG）以捕获功能交互，并据此生成结构化的逐步开发计划。框架在每一步生成部分代码库、对应单元测试及必要的代码修改，从而形成可完整验证的 TDD 任务。研究团队从真实 GitHub 项目中合成了 16,061 个训练实例和 2,020 个测试实例，并构建 SWE-Flow-Eval 基准；实验显示，使用这些数据微调开放模型可显著提升 TDD 编码表现。该工作已被 ICML 2025 接收，代码、数据集、模型与 Docker 镜像均已公开。

若系统包含10个相互独立的组件，且每个组件的成功率均为95%，在所有组件都必须成功的条件下，整体成功率为各组件成功率的乘积。计算结果为 $0.95^{10}\approx 0.5987$，即约59.9%，低于60%。这说明多个看似可靠的环节串联后，端到端可靠性可能显著下降。该结论依赖组件独立且任一组件失败都会导致系统失败的假设。

自动化评估系统往往只依据最终输出判定模型能力，却未充分考虑模型的感知和决策过程。模型没有进行详尽列举，既可能是因为无法解决，也可能是主动选择了更简略的回答策略。若评估框架不能区分这两种情况，就可能错误估计模型的基础推理能力。因此，评测设计需要同时考察答案结果、决策意图与推理过程。

论文《River Crossing Problems: Algebraic Approach》指出，传教士—食人族谜题及其变体在 N > 5、b = 3 时无解。若评估程序预设所有题目都有可行答案，模型正确判断实例不可解时仍会获得零分。这并不代表模型推理失败，反而可能说明其识别出了问题的不可满足性。此类做法类似于因 SAT 求解器返回“不可满足”而惩罚它，暴露了纯程序化自动评估的局限。

苹果相关研究使用“组合深度（compositional depth）”，即完成任务所需的最小步数，作为问题复杂度指标。该指标可能把机械执行的长度与模型实际面对的推理难度混为一谈，因而无法准确反映算法理解能力。更合理的评估应先确认题目可解，并区分推理能力与输出形式或长度带来的限制。研究还应考察多种解答表示，以判断模型究竟理解了算法，还是仅在执行固定步骤。

大模型对抗赛结果显示，Grok 4晋级决赛，而参赛的Gemini模型全部被淘汰。文章同时对比了OpenAI的o3与o4-mini：o3侧重通用复杂推理能力和稳定性，o4-mini则寻求速度、成本与性能之间的平衡。尽管Grok 4取得了亮眼成绩，但当任务脱离其熟悉的解题定式后，失误会明显增多。这说明竞赛名次并不能完全代表模型在开放场景中的逻辑推理鲁棒性。

首届大模型对抗赛公布最终结果，o3 在决赛中以 4:0 横扫 Grok 4，强势夺得冠军。比赛通过直接对抗考察模型的推理、规划与决策能力。Gemini 2.5 Pro 获得季军，展现了谷歌模型在此类竞技任务中的竞争力。赛事结果也为比较不同大模型在动态博弈环境下的综合能力提供了参考。

GPT-5 的幻觉问题有所缓解，输出可靠性得到提升。模型在空间关系理解与推理任务上的表现进一步增强。其制定目标、拆解任务和生成执行计划的能力也得到优化。这些改进有望提升模型处理复杂推理和多步骤任务的稳定性。

SATQuest 是一个面向大语言模型逻辑推理评估与微调的验证器，可通过逻辑测试环境检查答案是否成立。研究利用该环境系统分析模型的逻辑推理能力及其脆弱性。实验显示，使用与测试任务相同格式的数据进行训练能够带来显著提升，但也暗示模型可能依赖格式匹配而非获得稳健、可迁移的推理能力。相关观察还表明，低幻觉率可能与模型在空间推理和规划任务中的更好表现有关。

该方法从合取范式（CNF）实例出发，自动构造基于可满足性（SAT）的逻辑推理问题。生成的问题可覆盖不同结构和难度，从而形成多样化的推理任务。此类任务既可用于系统评估大语言模型，也可作为训练数据增强其逻辑推理能力。

LAG 是一种面向知识密集型任务的逻辑增强生成范式，旨在克服传统 RAG 依赖直接语义检索、缺乏结构化推理的问题。该方法先将复杂问题拆分为具有逻辑依赖关系的原子子问题，再依次求解，并使用已有答案指导后续上下文检索。为避免错误沿推理链传播，LAG 在遇到无法回答的子问题时终止推理，从而减少无效计算。四个基准数据集上的实验表明，该方法能够增强推理鲁棒性、降低幻觉，并使模型的求解过程更接近人类的分步认知方式。

该方法仅需100个种子问题即可启动训练数据与课程的自动扩展。三个智能体通过协作和迭代共同生成高质量问题，并根据模型能力动态调整任务难度。由此形成持续演化的课程体系，使模型在循序渐进的训练中不断提升推理能力。

论文以苏格拉底教学法为哲学基础，将教师视为通过探询和反馈引导学习的“思想助产士”。Socratic-Zero 框架使用一个强大的法律语言模型作为教师，同时指导解题器与生成器进化。解题器生成解决方案并根据教师反馈持续优化，生成器则提炼教师的行为策略，为解题器设计难度与能力相匹配的课程。二者形成闭环，使任务生成和问题求解能力在训练过程中协同提升。

GPT-oss-20b 在没有提示词的情况下凭空构造了一个多米诺骨牌网格编程问题，并消耗超过 30000 个 Token。该问题要求在 N×M 网格中放置一块多米诺骨牌后，将剩余自由格恰好划分为若干 2×2 方块，但模型反复求解了 5000 多次。另一次案例中，模型花费约两小时尝试生成一个横向、纵向和对角线均能组成单词的 3×3 字母矩阵。相关现象显示模型可能陷入无法自行终止的循环推理，并伴随明显的无提示幻觉行为。

现代问答与推理方法常采用思维链提示，但最终答案可能与生成的中间推理链不一致；神经符号方法则依赖外部求解器，也难以处理含糊或不易严格形式化的任务。FLARE 使用大语言模型规划解决方案，将查询软形式化为逻辑编程中的事实和谓词，再通过穷尽式多跳搜索模拟代码执行。该方法无需外部求解器即可计算推理过程相对于生成代码的可信度，并支持分析多跳搜索的具体步骤。实验显示，FLARE 在七个多样化推理基准中的六个达到 SOTA，且模型可信度与整体性能呈正相关。

该论文关注多模态统一框架的设计与优化问题。核心挑战包括如何在同一架构中有效整合不同模态，并兼顾模型能力与系统复杂度。随着数据和模型规模增长，训练效率及大规模数据处理能力也成为落地瓶颈。后续研究需要从架构、训练策略和数据工程等层面协同优化。