Thinking Machines Inkling 2 Small 在基准测试中频繁出现脏话
Vals AI 研究人员在 Thinking Machines Inkling 2 Small 的 2,655 次基准测试运行中发现 316 处脏话。其中 241 处来自两次失控运行，包括一次生成 50 万字符的重复响应。尽管 46 次含脏话的运行中 48 次失败，但约 75% 的运行本就失败，且 96% 的失败运行不含脏话，表明脏话并非有效的失败预警信号。
#推理
The DecoderAI 评分4242
The DecoderAI 评分5757 开源基准 CloudOpsBench 揭示推理是 AI 云运维最大瓶颈
密歇根大学团队发布开源基准 CloudOpsBench，用于评估 AI 智能体在 AWS 云环境中的 DevOps 任务处理能力。v1.0 版本包含 45 项任务，最佳模型 Claude Fable 5.1 解决率为 60%，GPT-6 Astra 为 53%。分析显示约 80% 的失败源于推理缺陷，如误判任务范围或未检查所有相关服务，仅 20% 为错误操作。
The DecoderAI 评分6767 Artificial Analysis 新智能指数拉大开源与闭源模型差距
Artificial Analysis 全面改版其智能指数，导致 Kimi K3.1 Pro 排名从第四跌至第九，开源模型与榜首的差距从 3 分扩大至 12 分。
Microsoft Research精选AI 评分8585 Microsoft Research 证明 31 年前提出的 KLS 猜想
Microsoft Research 研究人员与合著者共同证明了困扰数学界 31 年的 KLS 猜想，确立了高维几何中普适的几何原则。该成果通过人类主导的 AI 智能体研究流程实现，AI 系统探索了超过 100 种候选方法，研究人员负责评估、剪枝和重定向搜索。独立研究者已验证该研究，并发布了基于 Lean 4 的形式化验证，确认了结果的可靠性。
推荐理由：展示了人类主导 AI 探索数学路径并解决高维几何核心难题的过程，为 AI 辅助科研提供了具体范式。
The DecoderAI 评分7575 Sakana AI 提出 MASS 方法实现模型递归自我改进，但存在共享盲点风险
Sakana AI 与 UC Berkeley 研究人员提出 MASS 方法，让单一语言模型通过解决任务、评估结果和优化工作流实现递归自我改进。测试显示该模型在多个基准上胜率从 53.9% 提升至 69.9%，但研究发现模型在三个角色中共享的盲点可能导致错误被误判为进步并进入下一轮训练，作者因此呼吁引入独立检查机制。
The Decoder精选AI 评分8888 Google DeepMind AlphaProof Nexus 解决数十个开放数学问题并通过同行评审
Google DeepMind 的 AlphaProof Nexus 在《Science》发表的研究中独立解决了数十个开放数学问题，包括 9 个 Erdős 问题和 44 个 OEIS 猜想。该系统基于 Gemini 3.1 Pro 构建，利用 Lean 形式化语言进行证明起草与修订，并通过了严格的同行评审，这与 OpenAI 近期将 AI 证明直接上传 GitHub 的做法形成对比。
推荐理由：该研究通过同行评审验证了 AI 在解决开放数学问题上的能力，并展示了与 OpenAI 不同的学术发布路径。
Berkeley AI Research精选AI 评分6767 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布关于自适应并行推理（APR）的研究综述，探讨模型如何自主决定任务分解、并行线程数量及协调方式。文章对比了 Multiverse 和 ThreadWeaver 等方案在 KV cache 管理与推理引擎修改上的差异，并分析了通过强化学习训练模型掌握并行控制流的奖励机制设计，指出 APR 在降低延迟与提升准确率方面的潜力及当前存在的稳定性挑战。
推荐理由：文章梳理了自适应并行推理范式，对比了不同推理引擎实现与训练奖励机制，为优化推理效率提供了技术参考。
Berkeley AI ResearchAI 评分5252 GRASP：面向世界模型的长时域梯度规划方法
GRASP 提出了一种基于梯度的规划器，通过提升轨迹至虚拟状态实现时间维度的并行优化，并直接对状态迭代添加随机性以增强探索。该方法通过重塑梯度，仅利用动作梯度而避免高维视觉模型中脆弱的状态输入梯度，从而解决了长时域规划中的病态优化问题。在 Push-T 任务中，GRASP 在 H=40 时以 8.5 秒的中位时间达到 59.0% 的成功率，优于 CEM 和 GD 等基线方法。
Berkeley AI ResearchAI 评分5252 SPEX 和 ProxySPEX 实现 LLM 大规模交互识别
SPEX 和 ProxySPEX 利用稀疏性和低阶性假设，通过信号处理与编码理论在大规模下识别 LLM 的关键交互。ProxySPEX 利用层级结构将消融次数减少约 10 倍，在特征归因、数据归因和注意力头剪枝任务中均优于现有方法，代码已集成至 SHAP-IQ 仓库。