只公布基准不发布模型的隐患

开源模型成功的核心并非基准分数，而是即时且长期的工具支持与可微调性。Gemma 过去在这些方面表现挣扎，而 Qwen 则表现出色，这才是决定模型成败的关键因素。

Nathan Lambert 表示正为 Mercor 提供研究方向的建议，主张构建可扩展的样本高效 RL 数据方法，并推动评估科学前沿、针对明确经济价值领域建立专门 benchmark。他认为前沿实验室将围绕真实世界代表性评估与合成数据方法大举投入，并看好基于开源模型构建这一方向的机会。

这很棒。在很多情况下，算力获取而非资金才是这些团队的瓶颈。 我们仍然需要更多学术/非营利方向的资助，一步一步来。

当前的 harness 在 LLM 如何管理自身上下文方面设置非常僵化。我们展示了你可以让 LLM 直接编辑上下文——从而实现更好的长时程记忆、FLOP 高效适配，以及更多。 不用再害怕 compaction 了！

每当我看到某个模型登顶这张图表，通常都觉得有点不对劲。希望能被证明是我错了！ [引用 @synthwavedd]：意料之中，遗憾的是新 Opus 唯一的缺点就是它是个吞噬 token 的怪兽。在所有被评测的模型中，它在每个 Intelligence Index 任务上消耗的 token 最多。 降价在这里就说得通了！

看来对计算机科学学者来说，最重要的研究问题之一是 LLM 监督的同行评审。如果我们不解决这个问题，学术机构就完蛋了。 这似乎比建立新机构更容易。

谁会成为第一个在RL或评测过程中意外黑进一家公司的学术实验室。那肯定比最佳论文奖或奖学金更有价值。

基于 Olmo 3 的酷炫后训练工作 ：） RL 成本高昂，所以每一步都应算数。约 1 年前，我们展示了 xent SFT 并非为 RL 做准备的最佳方式（https://arxiv.org/abs/2510.15020）。现在我们提出 TailSFT（https://arxiv.org/abs/2608.25756），一种轻量且有原则的方法，可直接提升覆盖度并获得更好的 RL 后性能。

AWS 团队发布论文《Priming: Hybrid state space models from pre-trained Transformers》，提出 priming 方法，复用预训练 Transformer 权重构建混合架构，将预训练成本降低逾 99%，全流程消耗不足源模型 0.5% 的 token 预算。

Science 新研究显示，Google DeepMind 的 AlphaProof Nexus 独立解决了 353 个开放 Erdős 问题中的 9 个，其中 2 个悬置 56 年。