OpenAI 称已阻断窃取模型推理的攻击，但该手法在 Azure 上仍然有效
OpenAI 称其阻断了一起针对模型推理内容的蒸馏窃取活动，该活动 7 月 1 日起小规模出现，7 月 24 至 25 日激增至来自 4000 多名用户的 16000 次请求，涉及 15000 多个关联账号，OpenAI 称已于 7 月 28 日全部关停，并将核心参与者与 Moonshot AI 相关人员关联。
#推理
#推理
今日 5 条10月1日
Ataraxos 击败 Stratego 史上最强选手，算力成本约为 DeepMind DeepNash 的 1/500
研究团队开发的 Ataraxos 在与 Stratego 史上最强选手 Niemeijer 的对局中取得 85% 的有效胜率，终结了人类在这款不完全信息棋盘游戏上的优势。
Google DeepMind 发布 Gemini 4 Argon，支持 1M 输出 token
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作与网络防御，先在 Fairwind Program 的政府用户和可信网络防御者中开放，后续再向开发者、企业和消费者开放。
Google 发布 Gemini 4 Argon，缩小与 OpenAI、Anthropic 的差距但未取得明显领先
Google 发布新前沿模型 Gemini 4 Argon，在部分基准上超过 OpenAI 和 Anthropic 的竞品，但未取得明显领先。该模型先面向 Fairwind 计划的“可信网络防御者”和 Google 内部团队开放，之后才向开发者、企业和消费者推出，尚未公布日期；介绍性价格为每百万输入 token 2 美元、输出 token 10 美元，缓存输入便宜 95%。
Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先向 Fairwind Program 的可信网络防御方开放，后续将面向开发者、企业和消费者推出，起步价为每百万输入 token 2 美元、每百万输出 token 10 美元。
9月24日
Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，为 LFM2.5-VL-3B 加速推理
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型 LFM2.5-VL-DSpark，通过投机解码在不改变输出质量的前提下提速，端侧解码最高 3.13x、H100 上最高 2.66x，端到端最高 2.62x 和 2.27x。
9月22日
TypeSafe AI 发布 Jev，推出 System One 决策模型
TypeSafe AI 上周发布 Jev，称其为“System One 模型”这一新类别模型的首个实例，作者更认同“决策模型”这一叫法。Jev 接受文本输入，输出的是对应类别、是/否问题、评分的浮点数及置信度，只按输入计费，首个模型输入价格为每百万 token 0.042 美元。作者认为它适合分类任务，如垃圾邮件检测、打标签、排序，也尝试用于搜索重排，并指出它不擅长数字、日期和对抗性内容。
InstructGPT 作者 Diogo Almeida 谈 Jev：为软件而非聊天打造的 System One 模型
TypeSafe AI 创始人兼 CEO Diogo Almeida 在 Latent Space 播客中介绍新模型 Jev，称其为面向软件消费的 System One 大模型。
9月16日
NVIDIA Vera Rubin NVL72 首次亮相 MLPerf Inference v6.1 并取得领先性能
NVIDIA 在 MLPerf Inference v6.1 首次提交 Vera Rubin NVL72 预览结果，在 Qwen3-VL 上吞吐最高达 GB300 NVL72 的 3.7 倍，在 DeepSeek-R1 上最高达 2.5 倍。
TypeSafe 发布 Jev 决策模型，称比小型前沿 LLM 快 100 倍以上、便宜 200 倍以上
TypeSafe 发布 Jev，一个用 RLCD 训练、只做决策/分类/路由/打分的非自回归模型，官方称比小型前沿 LLM 快 20–200 倍、便宜 40–400 倍，输出 token 不计费。
Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型加速 AI 搜索查询扇出
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出，无需生成 CoT 推理 token。
NVIDIA 在 AI Infra Summit 发布 Vera Rubin 与 DSX 平台能效进展
NVIDIA 在 AI Infra Summit 上公布 Vera Rubin 与 DSX 平台的多项进展，重点展示每兆瓦 token 吞吐的能效优化。
9月8日
OpenAI 分享 AI 生成的 Navier–Stokes 千禧年大奖难题解答
OpenAI 分享了一份由 AI 生成的 Navier–Stokes 千禧年大奖难题解答，包含一份书面说明和一份 Lean 形式化证明。
9月3日
用 TRL 和 OpenEnv 训练编码模型画水彩画
Hugging Face 博主用 TRL 和 OpenEnv 复现了 Surya Narreddi 让语言模型画水彩画的创意，模型通过 p5.brush 编写约 150 行 JavaScript 作画，相关数据集、RL 环境、训练脚本和模型全部开源。
9月2日
Hugging Face 推出 BenchMIRT：审计 LLM 基准测试究竟在测什么
Hugging Face 发布 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的方法，基于多维项目反应理论（MIRT）分离出安全与通用推理两个主导维度。该方法在 100 个 LLM、16 个基准、超 34K 道题上训练，未被告知各基准测什么却稳定复现这两个维度。分析显示 BBQ、WMDP 等安全基准的得分更多与通用推理相关，单一基准分数可能混合多种信号。
8月25日
IBM 发布 Granite 4.2 推理模型家族，含 3B、8B、30B 三个尺寸
IBM Granite 团队发布 Granite 4.2，这是其首个稠密、仅解码器的推理模型家族，包含 3B、8B、30B 三个尺寸，均以 Apache 2.0 许可开源。
Multiverse Computing 提出 Quantization-Aware Healing，4-bit 压缩模型在 7/9 基准上超过其 bfloat16 原版
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 checkpoint 蒸馏。
8月21日
Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理最高提速 3.2 倍
Liquid AI 为 LFM2.5 家族的三款模型 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 发布 DSpark 草稿模型检查点，通过投机解码在不改变输出质量的前提下提升解码速度，GPU 上吞吐最高提升 3.18 倍，端侧最高 2.87 倍。
8月17日
Import AI 469：DiG-bench 评测 AI 发现能力、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，Opus 5 和 Fable 5 配合 Claude Code 表现最佳，仅二者能在 Tier 7 通关部分任务，而人类可 100% 通关。
8月13日
MindTopo：微软研究院推出评估多模态大模型拓扑推理能力的新基准
微软研究院推出 MindTopo 基准，用于评估多模态大模型在连通性、封闭、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧保留结构关系时有用，跨多步操作后常改变拓扑或违反任务约束。
8月11日
Hugging Face 对比 ACE 与 ALTK-Evolve：更少 token 实现更强智能体记忆
Hugging Face 的 ALTK-Evolve 与 ACE 同为无需权重更新的智能体记忆方案，区别在交付方式：ACE 每步注入完整 playbook，ALTK-Evolve 按任务检索少量高支持度 guideline。
7月31日
Google Research 提出 Science One Framework：用证据链实现可验证的自主科研
Google Research 发布 Chain-of-Evidence（CoE）可验证性框架，并用 Science One Framework 原型实现，配套 CoE Audit 自动审计指标。
7月29日
从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化 CUDA-to-MLX 翻译层把已有 CUDA 内核知识迁移到 Apple Silicon。
7月26日
Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，用受自编码器启发的重建式信念评分作为辅助 RL 任务。在协作编程基准 CollabBench 上，ABBEL-rec-BG 将全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
7月15日
Thinking Machines 发布 Inkling 多模态开源模型及 Inkling-Small
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文、原生接收图像文本音频输入的多模态 MoE 模型，并同步推出 276B 总参数 12B 激活的 Inkling-Small。
7月10日
PyTorch 性能分析（第三部分）：Attention 全解析
Hugging Face 博客发布 PyTorch 性能分析系列第三部分，用 profiler 追踪 attention 的实现细节。文章对比了朴素 attention 与原地（in-place）masking 版本，将 masked_fill 改为 masked_fill_ 后，每次前向传播可减少一个 GPU Memcpy kernel。
7月6日
Import AI 464：Fable 编写 GPU 内核、AI 自动化与模拟计算
Import AI 第 464 期汇总多项进展：Fable 在 KernelBench-Mega 上写出被维护者称为首个真正且最快的 megakernel，在 RTX PRO 6000 Blackwell 上以 CUDA 实现 18.71 倍加速，对比 Claude Opus 4.8 的 14.4 倍、GLM-5.2 的 11.14 倍和 GPT 5.5 的 4.34 倍。
7月2日
Mistral 发布 Leanstral 1.5 形式化验证模型
Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可的模型，总参数 119B、激活参数 6B，在形式化验证上大幅升级。它在 miniF2F 上达到 100%，解出 PutnamBench 672 题中的 587 题，并在 FATE-H 取得 87%、FATE-X 取得 34% 的当前最佳成绩。
6月27日
Google 用冻结多 Token 预测加速 Pixel 上的 Gemini Nano 模型
Google Research 发布一种新架构，将多 Token 预测（MTP）头接到已冻结的 Gemini Nano v3 模型上，在不改动主干权重的前提下加速端侧推理，已随 Pixel 9 和 10 系列推出。
6月25日
Google Research 研究：推理如何解锁 LLM 的参数化知识召回
Google Research 在 COLM 2026 发表的论文揭示，推理轨迹能解锁 LLM 原本无法召回的事实性知识，即使问题只是简单的单跳问答。研究在 Gemini-2.5（Flash 和 Pro）与 Qwen3-32B 上验证，发现两个机制：生成额外 token 充当"计算缓冲"，以及"事实启动"——模型先输出相关事实为正确答案做语义预热。研究同时指出，模型自生成中间事实可能带来幻觉风险。
6月11日
Google DeepMind 发布 DiffusionGemma 文本扩散模型，推理速度最高提升 4 倍
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上推理速度最高提升 4 倍。
6月8日
Import AI 460：社会制度可被奖励攻击、Anthropic 的 RSI 数据与 RL 无人机竞速
本期 Import AI 汇总三项研究：伦敦国王学院、复旦大学与 Alan Turing Institute 构建 SocioHack 基准，用 72 个沙盒社会环境测试 RL 模型能否在合规前提下钻制度空子，模型在历史子集上以 61.25% 召回率和 90.85% 精确率重新发现已被修补的漏洞。
5月8日
自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 多由外部预设并行结构，未教会模型自适应行为。
4月20日
GRASP：面向世界模型的基于梯度的长时程规划方法
Berkeley AI Research 提出 GRASP，一种面向学习型世界模型的基于梯度的规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的“状态-输入”梯度，使长时程规划更实用、更鲁棒。
4月16日
Google 提出 Simula：基于推理的合成数据生成框架
Google 提出推理优先的合成数据生成框架 Simula，将数据集构建重构为机制设计问题，通过全局多样化、局部多样化、复杂化和双批评家质量检查四个步骤，从零构建数据集，无需种子数据。
3月25日
Google 发布 TurboQuant 向量压缩算法，KV cache 可压至 3 bit
Google Research 发布 TurboQuant 压缩算法，可在不损失模型精度的情况下把 KV cache 量化到 3 bit，无需训练或微调，并配套提出 QJL 与 PolarQuant 两种方法。
3月17日
Mistral 发布 Mistral Small 4，统一推理、多模态与编码智能体能力
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个主要版本，也是 Mistral 首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型中的版本，采用 Apache 2.0 许可。
Mistral 发布开源 Lean 4 代码智能体 Leanstral
Mistral AI 发布 Leanstral，这是首个面向 Lean 4 的开源代码智能体，采用 6B 激活参数的稀疏架构，权重以 Apache 2.0 许可开放，并接入 Mistral vibe 与免费 API 端点 labs-leanstral-2603。
3月13日
Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融达到 SPEX 的性能。
11月1日
不依赖 TD 学习的强化学习：用分治法扩展 off-policy RL
伯克利 AI 研究提出一种基于分治（divide and conquer）的 off-policy 强化学习算法，不依赖时序差分（TD）学习，可将 Bellman 递归次数从线性降为对数级，从而扩展到长时程任务。