Ataraxos 以极低算力击败史上最强 Stratego 玩家
卡内基梅隆等高校团队开发的 AI Ataraxos 以 15 胜 1 负 4 平击败 Stratego 顶尖玩家 Pim Niemeijer，仅用 16 张 GPU 和数千美元完成训练。该成果攻克了长期存在的隐藏信息博弈难题。
推荐理由：研究展示了在极低算力下攻克高隐藏信息博弈的方法，为复杂决策提供了可迁移思路。
#推理
#推理
今日 0 条Ars Technica · AI精选AI 评分8383
Hugging Face BlogAI 评分5050 BenchMIRT：利用多维IRT拆解LLM基准测试的真实测量目标
AllenAI发布BenchMIRT，利用多维项目反应理论（MIRT）在提示词层面审计LLM基准测试。该工具在16个基准和3.4万道题上训练，独立识别出安全与通用推理两个主导维度，揭示BBQ、WMDP等基准中安全与推理信号的混合情况。BenchMIRT还能通过仅保留10%最具区分度的题目来高效评估模型，并准确预测模型在未见题目上的表现。
Import AIAI 评分3333 Import AI 470：METR 研究揭示 AI 加速进展不均；SPADE 框架利用自博弈自动化生成环境
METR 研究显示 AI 在网络安全领域加速显著，数学研究进展较小，AI 自身算法优化未见明显加速。SPADE 框架通过自博弈自动化生成可执行环境，Qwen3-30B-A3B-Instruct-2507 在基准测试中表现最佳。
Import AIAI 评分3838 Import AI 469：DiG-bench 评测 AI 发现能力；RSI 模拟器；Zuck 的技术悲观主义
DiG-bench 基准测试显示 Opus 5 和 Fable 5 在 70 个隐藏规则游戏中表现最佳，但仅能攻克 Tier 7 的 0.2 任务，远逊于人类。Paradigm Research 推出 RSI 模拟器，模拟 AI 公司递归自我改进的研发过程。Inherent 发布 Faraday，通过监督前沿模型培养 AI 科学家的研究品味。
Microsoft ResearchAI 评分4242 MindTopo 揭示多模态大模型的空间推理能力
Microsoft Research 发布 MindTopo 基准测试，评估多模态大模型在拓扑推理与规划中的表现。测试涵盖连通性、包围等五类拓扑属性，结果显示当前模型在静态识别上表现尚可，但在交互规划中常因无法维持结构关系而失败。该基准旨在揭示 AI 在机器人等交互环境中理解拓扑结构的差距。
Google Research精选AI 评分6868 Google Research：检索是参数化事实性的瓶颈
Google Research 发布研究，提出知识画像框架并构建 WikiProfile 基准，评估发现前沿模型如 Gemini-3 和 GPT-5 的事实编码已近饱和，但直接检索失败率仍达 26–34%。研究指出长尾事实与反向问题主要面临检索困难，链式推理能恢复约 40–65% 的已编码知识，表明提升事实性的关键在于优化知识利用。
推荐理由：研究指出前沿模型事实错误主因是检索瓶颈而非知识缺失，链式推理可恢复大量已编码知识。
Berkeley AI ResearchAI 评分4242 ABBEL：通过信念状态更新提升大语言模型长程交互效率
ABBEL 框架将摘要转化为自然语言信念状态，并通过信念评分监督信息内容，解决长程交互中上下文压缩导致的性能下降问题。在 CollabBench 协作编码环境中，该框架将模型与全上下文设定的性能差距缩小约 50%，同时训练步数减少 50%。
Hugging Face BlogAI 评分4040 DiScoFormer：一个同时估计密度和分数的 Transformer 模型
DiScoFormer 是一个基于 Transformer 架构的模型，能在单次前向传播中同时估计数据分布的密度和分数，无需针对新分布重新训练。在 100 维数据测试中，其分数误差比最佳手动调优的核密度估计（KDE）降低约 6.5 倍，密度误差降低超过 37 倍。该模型通过共享骨干网络和一致性损失实现自适应，适用于生成建模、贝叶斯推断等需要高精度分数估计的场景。
Berkeley AI Research精选AI 评分6868 自适应并行推理：高效推理扩展的新范式
Berkeley AI Research 发布长文综述自适应并行推理（APR），探讨模型如何自主决定何时分解任务、生成多少并发线程及如何协调。文章对比了 Multiverse 修改推理引擎复用 KV Cache 与 ThreadWeaver 保持引擎不变在客户端拼接的方案，并分析了 SFT 演示与基于关键路径长度的奖励设计。
推荐理由：系统梳理了自适应并行推理的范式，对比了修改推理引擎与客户端编排两种执行路径的优劣。
Google Research精选AI 评分6868 Google Research 发布 ReasoningBank 智能体经验学习框架
Google Research 发布论文介绍 ReasoningBank，一种让智能体从成功与失败经验中学习并自我进化的记忆框架。该框架提炼全局推理模式，结合记忆感知测试时扩展（MaTTS）提升 WebArena 和 SWE-Bench-Verified 上的成功率与效率。
推荐理由：提出从成功与失败经验中提炼结构化推理模式的记忆框架，结合测试时扩展实现智能体自我进化。
Berkeley AI ResearchAI 评分4242 GRASP：基于梯度的世界模型长视界规划方法
Berkeley AI Research 提出 GRASP，一种基于梯度的世界模型规划器，通过轨迹提升、状态迭代随机化及梯度重塑解决长视界规划难题。该方法将轨迹映射至虚拟状态实现时间并行优化，避免高维视觉模型中的脆弱梯度，使长视界规划更具鲁棒性。
Google DeepMindAI 评分4343 Google DeepMind 发布 AGI 认知评估框架
Google DeepMind 发布“AGI 认知分类”框架，提出感知、推理等 10 项关键认知能力以衡量通用人工智能进展。该框架配套发布 Kaggle 黑客松，邀请社区针对学习、元认知等五项能力构建评估基准。活动提供 20 万美元奖金池，提交截止至 4 月 16 日。
Berkeley AI ResearchAI 评分4242 Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，实现大规模 LLM 交互作用的高效识别
Berkeley AI Research 提出 SPEX 和 ProxySPEX 算法，通过稀疏恢复和层级结构特性，以极少消融次数高效识别 LLM 中的关键交互作用。ProxySPEX 在保持 SPEX 性能的同时，将消融次数减少约 10 倍。该方法在数千特征的上下文窗口中仍能保持高忠实度，显著优于 LIME 等边际方法。
Google Research精选AI 评分6565 Google Research：通过模仿贝叶斯模型训练大语言模型
Google Research 发表论文，提出通过监督微调让大语言模型模仿贝叶斯助手，从而学会概率推理。该方法使模型在航班推荐任务中显著优于基线，并能将学到的推理能力泛化至酒店推荐和网购等未见领域。
推荐理由：研究提出通过模仿贝叶斯模型进行监督微调，使大模型学会概率推理并跨领域泛化。
Hugging Face BlogAI 评分4040 DIFF Transformer V2 发布
微软发布 DIFF Transformer V2，通过差分注意力机制在保持键值头数量不变的前提下倍增查询头，实现与标准 Transformer 相当的解码速度。该版本移除了 DIFF V1 中导致数值不稳定的逐头 RMSNorm 层，有效消除注意力汇聚现象。相比同等查询维度的 Transformer，DIFF V2 在输出投影阶段拥有更少的参数和计算量。
Google Research精选AI 评分6868 Google Research 发布 Titans 架构与 MIRAS 框架实现 AI 长期记忆
Google Research 发布 Titans 架构与 MIRAS 理论框架，利用深度神经网络作为记忆模块实现 AI 的长期记忆。该架构在 BABILong 等基准测试中超越 Transformer++ 和 Mamba-2，支持超过 200 万 token 的上下文窗口，同时保持线性推理速度。
推荐理由：提出结合RNN速度与Transformer精度的新架构，通过深度记忆模块实现超长上下文的高效推理。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 SIMA 2：基于 Gemini 推理的 3D 世界通用智能体
Google DeepMind 发布 SIMA 2，将 Gemini 模型作为核心推理引擎，使智能体能在 3D 虚拟环境中理解复杂指令、进行链式推理并自我改进。该模型在跨游戏泛化和与用户协作方面表现显著，目前作为有限研究预览向学术界和游戏开发者开放。
推荐理由：SIMA 2 将 Gemini 推理能力引入 3D 游戏，实现了跨游戏泛化与自我改进，为具身智能提供了新路径。
Google ResearchAI 评分2828 Google Quantum AI 发布量子优化工具包 DQI
Google Quantum AI 发布名为 Decoded Quantum Interferometry (DQI) 的量子算法，用于解决经典计算机难以处理的优化问题。该算法将优化问题转化为解码问题，在最优多项式交集（OPI）任务中，仅需数百万次量子逻辑操作即可求解，而经典计算机需超过 10^23 次操作。
Google ResearchAI 评分4040 Google Research 提出 Nested Learning 新范式，Hope 架构在持续学习中表现优异
Google Research 提出 Nested Learning 新范式，将模型架构与优化算法统一为多层级优化问题，以解决持续学习中的灾难性遗忘。基于该范式设计的 Hope 架构在语言建模中表现优异，并展现出比现有 SOTA 模型更好的长上下文记忆管理能力。
Google ResearchAI 评分2525 Google Research 发布 Google Earth AI、DeepSomatic 与 Quantum Echoes 三大突破
Google Research 发布 Google Earth AI、DeepSomatic 与 Quantum Echoes 三大突破，加速科研与应用的循环。
Hugging Face BlogAI 评分3030 3LM：面向阿拉伯语大语言模型的 STEM 与代码基准测试
Hugging Face 发布 3LM 基准测试，专门评估阿拉伯语大语言模型在 STEM 学科和代码生成领域的表现。该基准包含 865 道原生 STEM 选择题、1,744 道合成高难度题目及基于 HumanEval+ 和 MBPP+ 翻译的代码任务。测试显示 Qwen2.5-72B-Instruct 在 STEM 选择题中表现最佳，GPT-4o 在代码生成任务中得分最高。
Hugging Face Blog精选AI 评分6868 Hugging Face 与 Adyen 联合发布 DABStep 多步推理数据智能体基准
Hugging Face 与 Adyen 联合发布 DABStep 基准，包含 450 多个基于真实金融支付业务提取的多步数据分析任务。评测显示，即使是 o3-mini 等最强推理模型，准确率也仅为 16%，暴露出当前 AI 智能体在复杂数据推理上的显著不足。
推荐理由：基于真实业务数据构建，揭示了当前最强推理模型在复杂多步数据分析任务中准确率不足20%的显著差距。