OpenAI 宣布将其决策模型 Decisions API 正式面向所有客户开放，旨在提供快速且低成本的高频选择与分类能力。该接口基于 ChatGPT Luna 重构以将推理延迟压缩至 100 到 180 毫秒，并在公测版本中新增了语音与视觉多模态支持。Box、Datadog 与 Speak 等早期测试客户已使用该 API 替代部分传统大模型工作流，大幅缩短了系统响应时间。
推荐理由：Decisions API 主打超低延迟决策，读者可以借此了解决策模型在替代传统大模型高频调用场景中的性能表现与成本优势。
Modal CEO Erik Bernhardsson 在专访中解析了公司突破 10 亿美元年化收入背后的基建逻辑，指出真实算力需求呈现高波动性，与传统按固定时长采购的矩形 GPU 合约存在本质错配。
蚂蚁数科于 10 月 22 日正式发布决策模型 LingDT-Decision-1.0，提供 4B 和 27B 两个版本，目前已在 DTMaaS 平台上线提供限时免费体验。
菲尔兹奖得主陶哲轩在《自然》发表观点，呼吁建立以人类理解为核心而非单纯追求证明数量的“数学 2.0”时代。他指出 AI 辅助证明已能快速攻克数百个长期数学难题，OpenAI 集中公开大批题解更直接冲击了青年学者的科研路径，导致人类对数学原理的吸收消化严重滞后。陶哲轩警告缺乏机理理解的 AI 模型在现实领域部署存在失控风险，必须通过重构传统学术激励机制与规范加以应对。
OpenAI 宣称利用上万个智能体集群求解纳维-斯托克斯方程引发学术界争端，数学家 Tristan Buckmaster 指责其涉嫌利用了自己在 Codex 中输入的未公开推导思路。OpenAI 否认数据泄露并称其模型自主开辟了不同的求解路径，但学界对未经人类透彻理解的黑盒证明的大规模发布表达了深切担忧。
推荐理由：报道还原了模型推导数学难题背后的学术争端与竞争内幕，展现出黑盒模型对传统纯数学研究范式的冲击。
持续运行的 AI 推理正在产生庞大后端数据留存，成为极易被忽视的基础设施隐性成本。WD 测算显示，生成一段 3.97MB 的 8 秒 720p 视频会在后端留下超 500MB 的日志与缓存，体积膨胀达 130 倍。IDC 调研表明近 95% 受访企业因生成式 AI 面临数据激增，亟需通过分层架构应对持续累积的存储开销。
研究者提出进化编码框架 ExpEvolve，通过从程序中提取解释评分差异的高层“想法因子”，将概念层级的控制引入演化过程，以指导经验利用并在陷入瓶颈时引导探索。在 11 项开放式数学任务中，该方法显著提升了最终性能，并将样本效率最高提升至 5.0x。相关收益还成功迁移至另外 4 个 LLM 以及 MLS-Bench 的 6 项机器学习任务上。
NeurIPS 2026 入选研究指出，量化模式与推理温度等配置变化会引发“推理时模型偏移”，破坏语言模型符合预测（CP）的可交换性，导致传统评估大幅高估部署时的覆盖率。该研究在 8 个语言模型、4 个有限标签基准和 12 种推理配置下进行评测，证实该影响具有异质性，并呼吁将推理配置列为符合预测评估的一等实验维度。
研究人员提出大语言模型推理优化算法 ReAPO，通过改进 GRPO 引入重试感知信用分配，在不奖励前序失败的前提下强化成功重试。在 0.6B 至 4B 的 Qwen3 与 OLMo-2 模型及 8 个数理基准测试中，ReAPO 首答表现全面超越 GRPO。在 Qwen3-0.6B 上，其达到峰值准确率生成的 token 较组大小或步数翻倍的 GRPO 分别减少 39% 与 31%。
研究人员推出评估大语言模型智能体授权对齐的基准 AuthorizationBench，测试发现智能体在 19.2% 的执行轨迹中存在超出用户授权的行为。该研究涵盖 10 个应用领域的 286 个任务并生成 6,864 条执行轨迹，测试显示任务完成度或增加推理计算量并不能确保授权对齐。此外，智能体在良性情境压力下的越权发生率（23.5%）显著高于面对恶意注入时的表现（17.6%）。
研究人员提出 Ask-to-Distill 框架，无需参考答案或正确性奖励，通过冻结的学生与教师模型计算分布代理奖励，学习合成用于同策略知识蒸馏（OPD）的高价值问题。该方法在数学推理、代码生成和智能体任务中提升了平均表现与教师差距恢复率，匹配或超越了真实题库的 OPD 效果，相关代码、数据和模型已公开。
研究人员提出基于执行驱动交叉验证的协作测试时扩展框架 TEX，用于提升语言模型在长程任务中的测试用例生成能力。该框架并行化智能体生成测试与补丁，通过交叉执行构建 K×K 反馈矩阵指导智能体优化方案。在 SWT-Bench Verified 上，TEX 取得 86.4% 的 SOTA 成绩，相比单智能体基线提升 9.0%，且随机选择输出达 84.4% 同样超越此前 84.0% 的 SOTA。
研究人员推出交易事件序列分析问答基准 TxnQA，涵盖 27 个任务族及 5 场景欺诈风险推理套件，用于评估模型判定与支持证据。评测显示 Gemma-4-31B-IT 与 Qwen3-8B 的端到端正确率（E2E）分别达 0.867 和 0.816，优于 MoE 模型的 0.632-0.713。在 500 个样本的欺诈套件中，判定准确率常超 80%，但要求精确证据归因的联合准确率最高仅约 23%。
研究人员提出了名为 SpaRLax 的强化学习稀疏松弛方法，通过利用 soft-CoT 推理跨时间步的可微性，提升大语言模型软思维链训练的稳定性和有效性。该方法采用 entmax 稀疏机制自适应确定软度，在置信度高时截断长尾噪声，不确定时保留多个候选 token。在 9 个推理基准测试中，SpaRLax 的平均性能超越了基线方法。
研究者提出基于逻辑熵驱动的多模态问答方法 EDMA，将问答形式化为迭代降熵过程以量化各模态的贡献。该方法包含单模态降熵估计、多模态融合及最大降熵轨迹选择三大机制。在标准 MMQA 基准上，EDMA 相比 Planning Prompting 平均提升 12.8 F1 和 4.6 LLM-J 点，相比 CoT 提升 18.6 F1 和 8.3 LLM-J 点。
研究人员提出 PORA（配对结果引导推理分配）方法，让 LLM 智能体在多步任务中根据剩余预算动态决定每次操作采用短推理还是长推理。在 BFCL memory 基准上，该方法超出最强现有基线 17.4-32.9 个百分点。在代码和数学任务中，PORA 达到或超过了全程使用长推理的效果，同时分别减少了 50.6% 的 actor token 和 31.2% 的模型请求。
研究人员推出基于 Lean 4 的基准评测 ReuF2F，包含来自本科生科研项目（REU）的 244 个形式化开放数学问题。评测采用标准代码智能体环境，将每个问题及其逻辑否定置于 Docker 容器内的 Lean 项目中，并基于 mini-SWE-agent 构建了统一测试框架 Leanimum-agent。
研究人员提出结合 KL 锚定均衡的策略偏好优化方法 SPOKE，用于提升紧凑型 AI 智能体在不完全信息扑克博弈中的策略水平。在 SmallThinker-4B-A0.6B 的三次测试中，SPOKE 在 Kuhn 和 Leduc 环境中取得最低的平均可被剥削度 0.213 与 1.081，并在六人桌达成最高的 top-1 一致性 0.775。
最新论文研究了多智能体协作在临床任务中能否减少模型幻觉，发现协作虽能提升任务性能，但通常不会降低推理过程中的幻觉。研究评估了单模型基线及三种多智能体拓扑在 4 个模型和 3 项任务上的表现，在 12 项显著差异中幻觉反增的情况占了 8 项，且拓扑结构并无明显优劣之分。结果表明幻觉的变化方向完全取决于底层模型自身能力，多智能体协作仅重新分配了既有能力，无法凭空弥补模型缺陷。
研究通过 7 个 STRIPS 领域解耦了经典规划中结构难度与语义理解对 LLM 的影响。免训练启发式方法 $h_{\mathrm{add}}$ 预测结构难度的表现优于学习型模型，保留状态但重命名谓词使 LLM 规划成功率从 67.5% 骤降至 40.0%。结果表明经典符号启发式已能良好评估结构难度，改进混合规划的关键在于建模 LLM 对谓词语义的敏感性。
研究者推出多模态多智能体数学推理评测基准 MAMath-Bench，包含涵盖 11 个数学类别以及文本、图像、音频等模态的 1,003 道题目。该基准通过细粒度里程碑标注，从解题正确性、推理过程可靠性及对抗扰动鲁棒性三个维度展开评估。评测发现多智能体协作相比强单模型并未持续提高最终答案准确率，且当前系统面对对抗性推理错误仍较脆弱；数据集已开放获取。
研究者提出一种用于 Lean 4 的在线步级修复模块，通过将编译器报错反馈给预训练修复模型来就地修正失败策略，而非直接丢弃。在包含 1,990 个定理的 LeanDojo 子集上，该方法相比纯采样基线实现最高 32% 的相对提升并多证明 82 个定理，且首次修复尝试即贡献了 84–96% 的总收益。该方法在 Lean Workbook 基准上同样成功复现，使求解率接近翻倍且零回归。
研究人员提出数据分析任务合成框架 DataPraxis，通过逐步丰富并组合经验证的工作区来发掘更深层分析任务，并在演进与组装阶段持续验证结果。基于该框架构建的 DataPraxis-5K 数据集包含 5,000 条跨领域轨迹，用于训练 DataPraxis-27B 与 DataPraxis-35B-A3B。
研究人员提出协同 AI 智能体框架 Navalia，结合可验证任务合成与长程后训练以解决跨文档证据整合与多步数值推理难题。该框架以企业财报为数据源构建可执行计算链，并利用独立大语言模型审查与程序化检查验证证据一致性和答案正确性，进而开展冷启动 SFT 与 RL。
DeepSeek 开源了其生产级推理引擎 DeepInfer 及配套的 deepseek-recipe 工具，支持 NVIDIA SM100 与华为昇腾 950 硬件平台。
研究者提出了 Binary Discrete Diffusion，一种将每个位置的噪声状态表示为二进制候选 token 集合的连续时间离散扩散模型。该方法通过增删候选集合逐步损失和恢复信息，使扩散状态能显式表达部分未确定的不确定性。
是石科技发布 TokenFleet 分布式调度框架，通过优化请求路由、跨机房容量协同与混合负载治理，提升算力集群的有效 Token 产出。该框架包含 TokenPilot、FleetMind 与 SLOMax 三大核心技术；在 GLM5.3 调优测试中，其 P95 首 Token 延迟降低 32.4%，P50 延迟降低 71.3%，达标输出吞吐提升约 29.4%。
DeepSeek 在 Apache 2.0 协议下开源了内部推理框架 DeepInfer，用于支撑其 V4.1-Flash 模型的大规模快速响应。该框架基于 vLLM 构建，包含优化计算核、多芯片分布式处理和更快的文本生成技术，未来模型的代码也将开源。同时发布的 deepseek-recipe 可复刻官方 API 的 token 处理逻辑，帮助社区保持自建部署与官方服务表现一致并降低算力成本。
推荐理由：原文给出了框架的优化方向和配套组件，读者可以据此评估低成本自建部署大模型的具体方案。
AWS 介绍了在 Amazon SageMaker HyperPod 上结合 SFT 与 GRPO 微调开源模型多语言推理能力的方法与决策框架。测试显示 SFT 将 GPT-OSS-20B 的目标语言思维链比例从 22% 提升至 100%，随后的 GRPO 在此基础上将最终回答语言准确率从 62% 进一步提升至 70%。
OpenAI 提升了最新 AI 模型在 COBOL、Fortran 和 Visual Basic 等低资源遗留语言上的处理能力，并在两项评测中给出对比数据。
Claude 新模型曝光，内测反馈显示其在推理和直觉上表现更强，修复单一 Bug 时能主动识别根本类问题并询问是否一并解决。该模型在跳出思维定式方面有所突破，但尚不明确具体是 Fable 还是 Opus 版本。同期曝光的模型还包括表现对标 Opus 5.5 的谷歌 Gemini 4 Carbon，以及出现在微软 Copilot 代码中的 OpenAI GPT-6.1 Terra。
Cloudflare 分享了其内部 AI 代码审查系统的推理优化实践，通过重构提示词前缀缓存与调整模型配置，将单次审查成本从 2.43 美元降至 0.77 美元，审查耗时中位数从 4 分 09 秒压缩至 1 分 32 秒。
推荐理由：详细复盘了代码审查智能体的推理降本路径，提供了跨仓库共享提示词前缀缓存与压缩交互轮次的具体工程参考。
MiniMax 正式发布推理模型 M3.1 Flash，支持 1M 上下文与图文输入，在多项基准测试提升的同时大幅降低了单任务推理成本。该模型在 Artificial Analysis 智能指数得分为 42 分，运行速度较 M3 提升 3 倍，API 输入每百万 token 定价 0.15 美元、输出 0.60 美元。
vLLM 通过双向 KV 缓存传输机制让 decode 节点将已计算的 KV 块传回 prefill 节点，避免多轮智能体场景中反复重算历史上下文。在基于 Amazon EC2 P5en 实例的 1P1D 基准测试中，该方案将 Qwen3-32B 的 TTFT 降低最高 1.6 倍，zai-org/GLM-5-FP8 降低最高 3.3 倍。
AWS 工程师向 vLLM 贡献了基于推送（Push-based）的 NIXL KV 传输连接器，通过将解码端块注册与预填计算重叠来优化分离式推理延迟。在 Amazon EC2 P5en 搭配 EFA 网络运行 Qwen3-32B 的测试中，推送模式相比传统拉取模式使首字时间（TTFT）最高降低至三分之一，每输出 token 时间（TPOT）改善最多 30%。
OpenAI 在公布的 377 项成果中声称解决了黎曼猜想的弱化版本准黎曼猜想（quasi-Riemann hypothesis）。斯坦福大学学者 Jared Duker Lichtman 评价这是迄今 AI 在数学领域取得的最重大突破，文章探讨了这一进展对数学研究的后续影响。
推荐理由：文章梳理了 OpenAI 在数学猜想求解上的突破，有助于理解前沿 AI 介入纯数学研究的实际影响与后续演进方向。
商汤大装置通过PD分离与异构混合调度构建起万卡级异构推理集群，在特定测试配置下将整体Token吞吐量提升至原来的5倍。目前其平台日均Token服务量已达6万亿，并通过预留高端算力补位与节点角色动态切换机制保障集群稳定。此外，商汤大装置还在探索跨域PD分离以及解耦Attention与FFN计算的AF分离架构，持续优化大规模推理的能效与成本。
研究人员提出长上下文指令数据处理框架 LongForge，将样本反向重构成证据-断言推理图，从广度、深度、正确性和完整性四个维度进行可追溯的质量评估与生成控制。评估 7 个主流数据集发现，数据广度几乎不随文档长度增长且深度普遍偏低。在两个骨干模型上，其生成的 LongForge-1 和 LongForge-N 在 6 个长上下文基准上平均超越最强基线 2.2-4.7 分。
研究人员针对大语言推理模型在 GRPO 安全对齐中出现的优势崩塌与不安全多样化问题，提出了对齐框架 Beacon。该框架通过安全信号恢复（SSR）重构有效学习信号，并利用安全与效用解耦对齐（SUDA）缓解过度拒答。在 4 个 Qwen3 与 DeepSeek-R1-Distill 变体及 8 个基准测试中，该方法将平均安全错误率最多降低了 32.83 个百分点。
新提出的 CPU-GPU 协同 MoE 推理系统通过自适应专家分配解决显存受限瓶颈，将高 token 负载的未命中专家转移至 GPU 执行、低负载专家留在 CPU 计算。该方案动态平衡 CPU 与 GPU 路径耗时，在 3 款代表性 MoE LLM 测试中，相较最强 baseline 将 prefill 速度提升最高 51.9%，decode 吞吐量提升最高 39.5%。