自适应奖励路由 通过前向过程 RL 实现联合音视频扩散的动态多奖励优化 论文：huggingface.co/papers/2609.3…

在 Ramp Router 中体验 Grok 4.7，10 月 6 日前限时五折。

Google Research 发布多智能体证明发现论文，Cogentic 在五个开放问题上取得新结果

Google Research 发布多智能体证明发现论文，其系统 Cogentic 基于 Gemini，从问题陈述出发、无需专家提示，在理论计算机科学的五个开放问题上取得新结果，涉及在线学习、拍卖理论和机制设计，每个结果均由领域专家核验。

GPT-6 系列模型选型指南

OpenAI 发布 GPT-6 系列模型指南，面向初创公司讲解如何选择 GPT-6 模型、调节推理强度、优化提示词与技能、协调工具调用，并为生产环境准备工作流。

介绍 Gacha Decoding 🎲：我们展示了如何让语言模型的回复更多样化，样本效率超过此前工作 >11x。 为你的语言模型重掷骰子，获得多样化的想法、数据、RL 环境、{你的用途}！ 我们的多样性来自指令跟随 + 外部随机数生成器，而非 token 熵。以下是具体方法 🧵

DAIR.AI 介绍 NVIDIA 关于长程智能体的论文：模型即使接受 128K tokens 上下文，任务执行越久越容易出错。

Ling-3.1-Flash 现已通过 Novita 在 OpenRouter 上提供，Novita 作为 Day-0 合作伙伴推出，免费至 10 月 13 日 9:00 AM PT。该模型共 560B 参数、激活 25B 参数，面向混合推理与工具调用工作流构建。

MIT Technology Review · AIAI 评分3838

别被迷惑——LLM 并不会推理

前 Google DeepMind 研究员指出，LLM 靠逐个预测 token 生成答案，其思维链仍由同一套下一 token 预测产生，并非 AlphaGo 那种独立搜索机制，因此不构成真正的推理。他列举三大缺陷：模型没有显式可检查的认知状态、知识与推理在权重中纠缠不清、思维链常是事后编造。为此他离开 Google DeepMind，主张借鉴 AlphaGo 架构，让系统维护可更新的认知状态。

Latent SpaceAI 评分2828

MIT 的 Alex Zhang 谈 RLM、GPU Kernel 与智能体集群研究

MIT 的 Alex Zhang 在 Latent Space 播客中介绍了其递归语言模型（RLM）研究，基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。

NVIDIA Blog精选AI 评分6262

NVIDIA GPU 加速 OpenAI GPT-6 Astra Ultrafast 上线

OpenAI 的 GPT-6 Astra Ultrafast 已在 NVIDIA Blackwell GPU 上运行，并面向 OpenAI API 以及符合条件的 ChatGPT Work 和 Codex 用户开放。

榜单成本是通过将 Alibaba Cloud 的挂牌 token 价格应用于记录的 token 使用量来估算的，而非使用我们的专用推理费用。 测试完成后，我们将分享 ARC-AGI-3 结果。 完整结果：arcprize.org/results/alibaba…

ARC Prize 公布 Qwen3.8-27B 在 ARC-AGI (Verified) 上的成绩：ARC-AGI v2 为 42.4%，$0.45/task；ARC-AGI v1 为 87.5%，$0.22/task。作者指出 Qwen 的 chat template 为 low 和 xhigh 推理档位提供了引导，但没有 medium，这可能解释了 medium 消耗更多 token 却得分低于 low 的现象。

Anthropic Science Blog 发布客座文章，哈佛物理学家 Matthew Schwartz 提出 AI 与科学之间存在类似物理阻抗失配的问题：LLM 能力很强，但像对待人类协作者那样使用它并非激发其科学潜力的最佳方式。

Ars Technica · AIAI 评分6262

CMU 等团队用 16 块 GPU 训练的 Ataraxos 以 15 比 1 击败最强 Stratego 人类选手

卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI 系统 Ataraxos 以 15 胜 1 负 4 平击败被认为是史上最强的 Stratego 选手 Pim Niemeijer，训练仅用 16 块 GPU、花费几千美元。

Latent Space精选AI 评分7878

Google DeepMind 发布 Gemini 4 Argon，支持 1M token 输出

Google DeepMind 推出 Gemini 4 Argon，面向编码、企业知识工作与网络防御，首批开放给 Fairwind 计划的政府用户与可信网络安全人员，后续再向开发者、企业和消费者开放。

latent.space 撰文介绍 OpenAI 的新智能体技术栈：@AriX 和 @nikunjhanda 讲解 Computer Use 在真实任务上已快于人类。

DFlash 草稿模型现已支持 Ornith-1.5 的 9B、35B-A3B 和 397B 三个版本，与 Ornith 1.5 组成加速组合：DFlash 一次起草多个 token，Ornith 1.5 单次验证草稿 token 而非逐个生成。性能评测显示 DFlash 最高可实现 2.54× 加速，且生成质量无损失。

thoughtfullab 宣布通过 PostTrainBench 参与 AI 前沿评测，并公布 Gemini 4 的成绩为 45.3%，较 Gemini 3.1 Pro 的 21.99% 有明显提升，作者称这是迈向负责任自我改进型 AI 的一步。

Artificial Analysis 测评 Google 新模型 Gemini 4 Argon：在 high reasoning 档下其 Artificial Analysis Intelligence Index 得分 53。

ARC Prize 公布 OpenAI GPT-6.1 Sol 在 ARC-AGI (Verified) 上的成绩：ARC-AGI-3 在 standard harness 下 52.7%、$7.6K，在 provider adapter harness 下 96.4%、$4.4K；ARC-AGI-2 为 94.2%、$0.25/task；ARC-AGI-1 为 98.5%、$0.06/task。其在 v3 上的 96.4% 与 GPT-6 Astra 的 99.9% 相当，但成本低 77%。

ARC Prize 指出 GPT-6.1 Sol 与 GPT-6 Astra 类似，在 ARC-AGI-3 上推理等级越高决策越好，完成关卡所需动作越少，从而降低总推理成本。

Google 官方宣布推出新前沿模型 Gemini 4 Argon，面向复杂、长周期工作流的持续深度推理，在真实软件工程、法律与金融等企业知识工作以及网络安全防御场景提供前沿性能。同时，该模型的输出 token 上限扩展至行业领先的 1M tokens。Argon 目前正向 Fairwind Program 中的一批可信网络安全防御者开放，将尽快扩大可用范围。

Google DeepMind 宣布推出 Argon，具备 1M token 输出上限，并加入更深一层的推理能力，以便一次性处理长而多步的问题。官方表示早期测试者的反馈将帮助其在不久后向开发者、企业和消费者更广泛推出之前强化系统，更多信息见 goo.gle/4rZBiSd。

Sundar Pichai 宣布推出 Gemini 4 Argon，称其在复杂工作流、网络防御和软件工程方面达到前沿表现。他表示 Google 内部团队已在从编码到量子计算的场景中广泛使用该模型并给出积极反馈，同时附上了基准测试结果。

Google DeepMind精选AI 评分7878

Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，随后将逐步面向开发者、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。

webAI 发布开源模型 TwIL-LM3-Pro，参数量 3.6B，提供量化版本可在本地运行、无需云端。

MTSlive 发布了一个交互页面，用于探索 ARC Prize 的 ARC-AGI-3 基准，围绕 Astra 在该基准上取得 99.9% 分数这一成绩展开说明。用户可以试玩模型受测的关卡之一，并阅读 Astra 在自己运行过程中留下的笔记，入口地址为 intelligence.mts.now/benchma…。

蚂蚁百灵发布 Ling-3.1-flash：约 560B 总参数、每 token 约 25B 激活参数、最高 1M token 上下文，官方计划很快开源该模型。其在工作、编码与医疗三类评测上的成绩为 GDPVal-AA v2.1 拿到 1,673 Elo、FrontierSWE 75.16、HealthBench Professional 65.35。

腾讯混元联合复旦大学、清华大学发布 ExplorationBench，用于衡量 AI 系统的探索能力。该基准构建了规则可执行、与已知知识冲突的 Alien Worlds，包含 AlienCode（31 处隐藏规则改动、70 个任务）和 AlienLogic（24 条修补推理规则、70 个定理）两个沙盒，所有答案由解释器或证明检查器评分，不使用 LLM 评委。

当前的框架在LLM管理自身上下文方面设置非常僵化。我们证明可以让LLM直接编辑上下文——从而实现更好的长期记忆、FLOP高效的适应等。 不要再害怕上下文压缩了！

面壁智能 OpenBMB 等团队提出 Diffusion Reward Models（DRM），不再把人类偏好压缩成单一分数，而是学习完整奖励分布，保留分歧、不确定性与多种合理判断。

模型越来越聪明，但 harness 并不会消失。 它的职责从替模型做决定，转变为给模型提供选项。 在 Replit Agent 中，主智能体决定何时深入思考、何时将工作交给子智能体，以及子智能体应投入多少精力。

警报 🚨🚨OpenAI 最新的 GPT6.1 Sol Ultrafast 并非运行在 Cerebras 上，而是以低 batch size 运行在 NVIDIA GPU 上。 这对 Cerebras 意味着什么？Cerebras 未来会为 GPT6.1 Sol Ultrafast 提供服务吗？

在 max 模式下结果更令人印象深刻！6.1 sol 的表现超过了 Opus 5.5，同时使用的 token 少了 4 倍。

ARC Prize 发文称，19 个月内达到 ARC-AGI-1 75% 分数的成本下降 99.95%，从 o3-preview 的 $26/task 降至 DeepSeek V4 Flash 的 $0.01/task。在 ARC-AGI-2 上，6 个月内成本下降 99.44%，从 Gemini 3 Deep Think 的 $13.62/task 降至 Dots3-Note Preview 的 $0.08/task。

很期待看到当模型推理基本即时后，人们接下来会抱怨什么新瓶颈 🙃 Divinely discontent!

- 排行榜：arcprize.org/leaderboard - 复现公开结果：github.com/arcprize/arc-agi-… - 测试政策：arcprize.org/policy - GLM 5.3 Flash 完整结果：arcprize.org/results/zai-glm…

ARC Prize 公布 GLM 5.3 Flash 在 ARC-AGI (Verified) 上的成绩：ARC-AGI-2 得分 65.8%，单任务成本 $0.09；ARC-AGI-1 得分 91.0%，单任务成本 $0.04。该模型在两项基准上均以低于 $0.10/task 的成本取得较强表现。

GLM 5.3 Flash 之前以 Ox Alpha 的代号在 @OpenRouter 上低调提供时，我们在 ARC-AGI-1 & 2 的公开任务上对其进行了测试。后来通过 @Baseten 测试官方 GLM 5.3 Flash 时，我们发现两个基准的分数平均提高了 15 个百分点。

后训练会在无关决策上留下行为痕迹 仅用 5,664 个单词的教师答案，学生模型在 HumanEval+ 上提升 +5.34pp——却从未见过代码。