推理模型
6 published articles
测试时扩展
CoBa路由以58.9%更少的token追平best-of-16投票
CoBa，一篇新arXiv论文中提出的计算平衡路由策略，在0.01个百分点内追平best-of-16多数投票，同时将参数加权token削减58.9%。在跨MATH-500、AIME和AMC的3,129次评估中，它还完全胜过单样本解码，不过在预算不受限时，best-of-16仍保持微弱优势。
2026-08-19
AI 研究
更长的思维链碰壁。ThinkRetrieve 在推理中途注入修复
一篇新的预印本论文指出，顺序式的测试时扩展常常遭遇收益递减甚至负收益。ThinkRetrieve 在推理中途检索已解决的示例并将其注入推理轨迹，报告称在 AIME 2025 上对五个小型推理模型取得了最高 60% 的相对提升。
2026-08-18
人工智能研究
为什么令牌对数概率不是监控AI推理模型的正确信号
Novelis Research表明，令牌对数概率作为量化推理模型的解码器监控器存在缺陷，无法察觉自信循环。他们引入了一种校准的e-CUSUM控制器，结合了不确定性和重复信号，在DeepSeek-R1-Distill-Qwen-1.5B上的GSM8K任务中实现了选择性。
2026-08-03
人工智能
为什么你的AI思维链在浪费令牌，以及最优停止如何解决这个问题
麻省理工学院研究人员提出OS-Pruner，这是一个插件，能在后续计算不值得令牌成本时动态停止思维链推理。测试显示，在最小化准确率牺牲的情况下，长度减少20-60%。
2026-07-29
基准深度解析
ARC-AGI-2：衡量AI系统流体智能的基准测试
ARC-AGI-2通过无法靠死记硬背解决的视觉网格谜题测试AI系统的流体智能。顶级前沿模型现得分75-85%，但70万美元的大奖尚未有人领取。本文深度解析该基准测试的设计、评分机制及当前排行榜。
2026-07-01
AI安全研究
AI模型无法停止“边想边说”。这对安全性而言既是好消息，也是噩梦。
Claude Sonnet 4.5 仅有 2.7% 的时间能控制其思维链，而最终输出的可控性却高达 61.9%。这一差距引发了对思维链监控作为安全机制稳健性的开放性疑问，而无人知晓其存在的原因。
2026-03-09