Qwen3.8 在 GPT-5.5 Pro 推理 prefill 实验中表现出与 GPT 系模型的显著重合

DFlash 由 UC San Diego 团队提出，是一种用于投机解码的轻量块扩散草稿模型。它一次前向推理生成整块 token，再由目标模型并行验证，保证输出无损。相比 EAGLE-3，DFlash 实现最高 2.5 倍加速，在 Qwen3-8B 等多种模型上平均无损加速超过 6 倍（MATH-500 达 6.08×）。在 NVIDIA Blackwell 上（TensorRT-LLM），gpt-oss-120b 模型吞吐量提升最高 15 倍，约为 EAGLE-3 的 1…

对GPT-OSS、Qwen、Olmo和Phi系列前沿开源推理模型的研究发现，所谓的"思考token"并未带来真正的安全性深思熟虑。模型是否拒绝或服从指令，在第一个token的

由Artificial Analysis和IBM推出的ITBench-AA SRE基准测试显示，所有前沿大模型得分均未超过50%。Claude Opus 4.7（自适应推理，最大努力）以47%领先，GPT-5.5（xhigh）和Qwen3.7 Max分别得46%和42%。该测试包含59个需要通过Shell命令调查Kubernetes事件快照并提交根因诊断的智能体任务。关键发现是模型推理轮次差异近3倍，但更长的轨迹并不转化为更高准确率，过度调查的模型会因提交误报而受罚。在成本…

Nemotron 3 Super是1200亿参数（120亿激活）的Mamba-Attention混合专家模型，首创NVFP4预训练，集成LatentMoE架构与MTP推测解码层优化推理。模型基于25万亿token预训练，经监督微调和强化学习后训练，支持100万token长上下文。相比GPT-OSS-120B和Qwen3.5-122B，推理吞吐量分别提升2.2倍和7.5倍，同时保持相当精度。全系列数据集与模型检查点已在HuggingFace开源。

Execution feedback can guide coding agents toward correct repository repairs, but only when the tests capture the behavior requested by the issue. Agent-generated tests can encode incomplete or incorrect behavioral targets; when the same t…

Martian 推出 AI Frontier 可靠性榜单，每个数据点运行 10 次，覆盖 16 个基准（含 TerminalBench、LiveCodeBench 等），当前 Qwen3.7 Max 可靠性 96.1%，Claude Opus 4.6 为 94.4%，GPT-5.5 为 93.5%。

论文提出神经网络向量表示隐式实现了 Tensor Product Representation 符号结构，作者用 DISCOVER 方法将多种网络（含 Gemma-3-27b、GPT-2-XL、GPT-OSS-20b、Pythia-12b、Qwen3-14b、OLMo-2-13B、Llama-3.1-8b 共 7 个 LLM）的表示替换为符号化闭式方程，模型行为基本不变。

The effect of Large Language Model (LLM) scale on ontology learning (OL) performance remains insufficiently characterized. We present a controlled evaluation of 13 models spanning dense and Mixture-of-Experts variants from the Qwen3.5 and …

论文提出 CAST，一种批判感知训练框架，将稀疏任务结果转化为动作级监督，用于批判学习与策略优化，通过分析智能体轨迹合成解释动作有效性的结构化理由。在动态工具调用基准上微调 Qwen3 系列模型，Retail 任务 pass^4 超过 GPT-OSS-120B 达 10% 以上，域外 Telehealth 场景额外提升 9%。

一项研究对8款领先模型进行为期一年的长时程任务测试，包括GPT-5.6 Sol和Claude Opus 4.8，其性能相较人类大幅下降。最佳配置Qwen3.7-Max with Hermes最终仅获得人类平均收益的27.3%，凸显长时程执行可靠性严重不足。