认知与推理Reasoning

XWM 用 JAX 实现动作条件潜在世界模型，把观察编码到潜变量后直接预测下一状态，不训练像素解码器。JEPA、TD-MPC2、MuZero 复用同一组件，可接 CEM、MPPI、梯度与 MCTS 规划器，并允许只观察一部分 token；示例从 CPU 合成任务延伸到 Franka 机械臂。统一接口便于比较表示与规划组合，不过仓库尚早，行为测试不能替代真实控制基准。

Risa 读取 MoE 的原生路由轨迹：专家意见分散时继续探索，路由趋同时收束，并用同一信号挑选补丁，不另接裁判或把测试结果当选择器。SWE-bench Verified 上，gpt-oss 的宏观解决率从 44.9% 增至 48.2%，策略还能迁移到 Qwen3.6 的完整 500 题。它将本来只是稀疏计算调度的内部信号，转化为自适应测试时预算，前提是模型暴露足够细的路由信息。

论文把澄清、检索、工具调用、提示试验、直接执行和停止都视作有成本的上下文获取动作，由内层更新潜在任务状态，外层最小化期望自由能。

Second Thought 在代理每次结束一段 Thought 后分叉四条辅助支路，让它们在主线工具调用等待期间继续解码，再随新观察合并。

Simon Willison 的本地测试认为 Qwen 3.8 27B 已有很强的代码与 agent 能力，但默认推理预算会在中等任务上膨胀，抵消本地部署的延迟优势。社区案例出现约 3 万生成 token 才完成一道适中工程题，通过限制思考长度或关闭 thinking 才改善可用性。文章把“答案能不能做对”与“要花多少 token、功耗和等待时间”放进同一评价函数，这是本地模型选型常被忽略的一半。

作者把 test-time compute 从“重复采样输出”分一部分给“改写输入”，比较语义改述、词法扰动和视觉变换，覆盖六个知识、数学、多语、多模态与情感任务。语义改述在六项中的五项超过 self-consistency，每美元带来的准确率增益约高 1.8 倍，并形成更好的成本效果 Pareto 前沿。收益集中在中档模型且依赖变换保持题意，论文因此提供的是输入多样性预算的有力证据，不是所有任务…

ReASearch 让单一工具调用 agent 自己选择评估、诊断、编辑、验证或重启，持久记忆负责跨长轨迹分配搜索预算。14 项任务中相对专用优化器提升 2%–40%，部分解超过人工已知最好结果。论文把外层控制器的职责放回推理循环，代价是搜索行为和预算决策也更依赖 agent 自身稳定性。

Anthropic 记录 Claude 参与黎曼 ζ 函数问题研究的实验，关注模型如何探索、提出中间猜想并用计算核验。digest 未提供可复现实验规模或最终数学成果，因而本文不把“参与研究”夸成独立证明。它更适合作为观察 agent 化数学工作流的案例：答案质量取决于中间步骤是否可检查。

这篇综述把推理模型的测试时扩展归纳为单轨迹延长、叶节点终态规约和前缀搜索三类，并区分精确复现与分布式结果复现。作者同时发布约 20 亿 token 的完整推理轨迹，试图让采样、验证与搜索策略可以在统一材料上比较。它的价值主要是清理术语和复现实验边界；作为综述，并没有提出一个能跨任务取胜的新缩放算法。

该工作用 0.6B 参数前缀监视器配合一次同策略新 rollout，在软件工程代理尚未耗尽预算前判断轨迹是否值得终止。SWE-bench Verified 跨多种策略可节省 14.6%–20.4% token，同时把误杀率控制在 5%；即使容许 25% 误杀，重启策略仍将解决率从 66.6% 提到 71.8%，冷重启仅为 66.8%。这表明测试时扩展不应只讨论“跑更多”，还应把预算从低前景轨迹动态…

PhoenixRepair 不把软件修复限制为“在第一次猜中的文件附近继续改”，而是显式探索编辑位置、修复策略和验证反馈组成的搜索空间。系统保留多条候选分支，并依据测试结果重排而非过早承诺单一路线；其贡献是把编码 agent 的失败归因于搜索覆盖不足，为预算如何分配到定位与修改提供了可操作框架。

effort-router 用 Claude Code skill frontmatter 的 effort override，把每个用户请求分到 low、medium、high、xhigh、max 五档。SessionStart hook 注入“每轮都分类”的 standing instruction，UserPromptSubmit 每次用约 20 tokens 重新锚定，Stop hook…

论文用 textual baseline、flexible executable world model、带 scheduled simplification 的 executable model、以及 fixed-interface replay verification 四个 Codex-based agent 做消融。主实验覆盖 gpt-5.4 与 gpt-5.5 的 high/xhigh…

Sebastian Raschka 解释 reasoning effort 参数如何影响 LLM 推理成本、延迟和输出行为。文章把 effort 放进 inference scaling 框架，与 self-consistency、self-refinement 等技术相邻讨论，说明“多想”既可以是模型内部预算，也可以是外部采样和反复修正。它的实用点在于把用户可见旋钮和底层推理时计算联系起来，而不…

CACM 文章梳理 LLM 推理可解释性、chain-of-thought 和机制理解之间的张力。它明确区分“模型写出一段推理文本”和“研究者知道模型内部为何得到答案”这两件事。围绕因果干预、机制解释和可审计推理的讨论，会继续影响模型评测和安全研究的设计。

FirstResearch 把科学发现 agent 的第一个研究问题拆成可审计的 Research Question Certificate，要求记录 primitive definitions、assumptions、mechanism model、tension/contradiction、falsifiable hypothesis、minimal decisive test 和 failu…

这篇论文把 agent episode 的早停问题转化为隐藏表示上的失败预测：每轮用轻量 probe 读取 hidden activations，甚至第一轮就能预判后续失败，而只看可观察行为的 scorer 还接近随机。作者设计了 per-round calibrated gate cascade，通过联合搜索 recall budgets 保证最终会成功的 episode 以用户指定全局比例存活…

SPORK 观察到 agent 循环中工具调用等待会让模型推理链路空转，于是提出 self-speculative forking。模型在等待真实工具结果时先 fork 出多个可能后续分支，等结果返回后再保留可用路径。这个方法抓住的是 agentic inference 的端到端延迟，而不是单次 token 解码速度。

Geoffrey Litt 讨论 AI 降低生成代码成本后，理解系统状态、业务约束、历史决策和副作用正在成为新的瓶颈。文章把开发效率问题从打字速度转向认知负荷，指出“能写更多代码”不等于“能安全改变系统”。它适合放在 agent 编程讨论里看，因为模型越能产出补丁，理解和验证就越成为稀缺环节。

论文研究 LLM 置信度校准，并把置信信号用于决定测试时是否增加采样、验证或推理计算。关键设定是 adaptive test-time scaling：预算不是固定平均分配，而是向低置信问题倾斜。它值得跟进，因为测试时扩展如果没有可靠置信度，很容易把计算浪费在模型本来已经能解的问题上。

BaRA 面向 live websites 上的站点级采集问题，解决 agent 容易漏页、遗漏多模态输出、返回不可下载媒体 URL 的问题。方法把 bounded BFS traversal 和 history-based self-reflection 组合在固定交互预算内运行。作者在 50 个带 ground-truth reference sets 的 synthetic websites…

TheSequence 介绍 self-driving lab：系统自动选择、执行并根据结果更新下一步实验。关键是实验室从执行工具变成闭环决策系统。它与 agent planning 的关系很直接：科学实验中的 action space、反馈延迟和成本约束比网页 agent 更硬，因而更能检验自主决策系统。

这篇论文反驳“短程序可解就能教成可泛化 CoT”的直觉，研究对象是可验证搜索过程，而不是开放式问答。实验包含九个由确定性生成器产生的推理任务，public 与 hidden splits 共享生成器，因此隐藏集主要检查同一程序性分布下的泛化。它提示一个硬边界：可验证性和可学习推理轨迹不是同一件事。

论文提出 Reflective Masking，让 mask diffusion models 多轮回看和局部修订既有输出，以支持类似反思的推理过程。方法不改架构，只做轻量 post-training，并加入无参数 History Reference 利用中间 denoising states；任务覆盖文本生成、Sudoku 和图像编辑，结果优于标准 masking baseline。它把测试时扩…

这篇研究代理何时应该向用户澄清，而不是凭猜测继续执行。摘要指出 classical aleatoric/epistemic uncertainty 框架不足以覆盖交互式 LLM agents，需要 underspecification-aware、decomposed、communicable 的不确定性表示。它的意义在于，澄清提问不再只是“模型没把握”的笼统反应，而可以服务于 shared me…

这篇论文把 benchmark score 视为模型能力与测试时计算协议的共同产物，而不是模型的单点属性。作者在最多 12 个 frontier language model 和 7 个覆盖软件工程、数学、医学、网络安全的 benchmark 上，组合更大 token budget、context compaction、repeated submission attempts，以及模型自导或 mi…

Z.ai 的 Hugging Face 文章把 GLM-5.2 放在 long-horizon tasks 语境里介绍，与榜单新闻形成一条“技术叙述 + 外部评测”的组合。模型发布方把能力重心放在 autonomous coding、complex engineering 和持续多步任务。它值得与 Agent 评测论文放在一起看：长程任务能力越来越不是单轮推理，而是上下文管理、工具调用、反馈循环和…

这篇论文指出 agentic search 的并行 rollout 很早就会塌缩：如果第一轮 query 相似，后续线程会围绕同一批检索证据继续推理，breadth scaling 的收益迅速递减。DivInit 不训练模型，而是在一次调用中生成 n 个候选首轮 query，从中挑出 k 个彼此差异更大的 seed 再并行展开。作者在 5 个 open-weight 模型和 8 个 benchma…

ACTS 不是再给模型加一句“思考更短”的提示，而是在推理过程中插入一个控制器，让冻结的 reasoner 按预算、轨迹状态和任务难度动态改变思考策略。摘要称它把 steering 写成 MDP，并在多个 benchmark 上达到接近 full-thinking 的表现，同时减少推理 token；这使它更像 inference-time scheduler，而不是 prompt engineer…

Perplexity Research 把搜索重新表述为代码生成：模型不只生成查询词，而是生成可执行检索程序，组合搜索、过滤、解析和聚合步骤。这个视角把复杂信息需求拆成控制流、数据流和验证逻辑，适合多跳事实查找和结构化答案生成。值得看的是，它让 search agent 的推理过程更容易调试、复现和审计。

论文把 agentic search 的答案验证拆成细粒度 claim 检查，用于更稳健地利用 test-time compute。

Biohub/esm 发布 ESMC、ESMFold2 和 ESM Atlas 相关代码与模型入口。README 称 ESM Atlas 覆盖 68 亿蛋白，ESMFold2 的 folding throughput 支撑了超过 10 亿结构预测；SAE 层把 ESMC 内部表示拆成约 1.6 万个可解释 feature，并用 agentic pipeline 映射到已知生物学。值得看的是蛋白模型…

TheSequence 讨论递归式模型调用和系统组合是否正在成为 AI 扩展的新路径。