论文：LLM 排行榜名次很大程度由评测配置决定，gemma4-31b 得分可在 31% 到 89% 间波动

Arena 推出基于真实用户任务的智能体排行榜，评估模型在代码编写、应用构建、文档分析等工作中的表现，而非孤立基准。排行榜基于30万+任务、200万+工具调用和4000万行代码，综合任务成功、纠正遵从性、错误恢复、用户表扬与抱怨、工具幻觉等信号。前三名：GPT-5.5 High（+10.7%）、Claude Opus 4.7 Thinking（+9.5%）、GPT-5.4 High（+8.9%）。

hexoai开源了SIA（自我改进AI）框架。该框架展示了AI智能体不仅能优化其外部工作流（harness），还能通过任务反馈直接更新自身的模型权重，从而在领域知识和能力上实现自主提升，而非仅依赖人类提供的提示或工具改进。论文报告显示，SIA在LawBench基准上性能提升56.6%，在GPU kernels运行上耗时减少91.9%，在单细胞RNA去噪任务中相比基线提升502%。

Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从"令人信服的叙述者"转变为"候选方案生成器"。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化…

论文《Teach the Magnitude， Not the Direction》提出 CREST 框架，为多轮多步 LLM 智能体做分层信用分配：每轮单独获得验证的信用，再由同一模型充当自教师，对轮内不确定决策加大学习权重，但教师只能调节更新幅度、不能推翻验证器的判断。

论文提出"记忆增强压缩"（Memory-Augmented Compression）方法，将可复用推理从生成阶段转移到提示词中，无需训练即可降低思维链成本。该方法将已解示例蒸馏为可复用推理记忆，按查询检索并注入，使部分计算从自回归解码转移到更并行的预填充阶段。

一篇论文提出FAR框架，将AI数学从"解题"转向"选题"，在文献中搜索开放问题并大规模尝试，再筛选出最值得专家关注的结果。在组合学试点中，该流程将51，110篇论文缩减至4，717个开放猜想，产出1，050个新解法，598个通过自动评判，77个推荐专家评审。人工抽查15项成果全部正确。

字节跳动新论文提出 Chain-of-Experience 方法，在上下文中保留先前尝试与反馈而非整理成简洁摘要。在 6 个数学、编程和知识基准上，自我反馈平均得分 71.0%，高于无反馈迭代求解的 66.8%；使用正确性或执行器反馈可达 79.3%。

亚马逊新论文表明，KV缓存策略不仅是推理优化，还能改变模型所需的训练方式。若模型推理时会遗忘部分上下文，训练时也应模拟这种遗忘--将微调与KV缓存策略匹配，可防止长上下文失效。在128k token测试中，全注意力微调模型在稀疏推理下常产生冗长无意义回答，而匹配缓存策略微调的模型能正常作答并停止；该方法支持任意缓存策略，可在40 GB A100上计算4B模型梯度。

研究发现，恶意检索文档可提升模型token置信度与输出一致性，导致基于不确定性的检测器失效。作者将攻击下注意力集中于投毒文档而非分散于检索证据的现象称为"注意力崩溃"（Attention Collapse）。因此，仅检查最终答案或置信度可能漏报，监控检索文档间的注意力分布或可提前暴露投毒。

一项实验让AI智能体在6天、3000美元预算内产出两篇研究论文，结果均遭拒稿。执行层面毫无问题--智能体运行了数百次实验、调试GPU集群并完成LaTeX排版，但判断力缺失导致其面对负面评审时只会收窄论点、添加免责声明，而非重新设计实验。两轮实验结束时预算均剩余过半，说明问题在于想法匮乏而非资源不足。