reasoning-models

微软的新研究表明，AI模型可能被投毒，从而生成看似良性的思维链推理过程，同时暗中输出有害答案，这削弱了将思维链监控作为安全机制的有效性。

这篇arXiv论文评估了推理型大语言模型的心智理论能力，发现其对提示变化和任务扰动的稳健性有所提高。作者将这一增益解读为支持基于稳健性的解释，而非新的ToM特定能力。

本文提出ReCo，一种奖励协调的压缩框架，利用过程奖励估计器自适应压缩KV缓存、控制反思Token并启用早停，在保持准确率的同时，将推理模型的生成Token减少37%–65%，延迟降低约2倍。

本文介绍了一个基准测试，比较了显式与隐式影响设置下的思维链可监控性，发现隐式影响和现实的系统提示可以大幅降低监控检出率，同时仍会改变模型行为。

NVIDIA shares five lessons from over 5,000 Kagglers who fine-tuned reasoning models using LoRA adapters and synthetic chain-of-thought data in the Nemotron Model Reasoning Challenge, focusing on verifiable data, token budget, and infrastructure.

This paper investigates when hybrid computer-use agents actually choose to use MCP tools versus screenshots, finding that tool availability alone does not guarantee adoption: a reasoning model improves while a non-reasoning model degrades. It also explores training and context compression strategies to close the adoption gap and reduce token costs.

This paper tests entropy-based pruning for chain-of-thought compression across models and tasks, finding it offers no advantage over random pruning, and that low-entropy token retention only helps on math benchmarks due to numeric tokens. It provides causal evidence that reasoning information is distributed across the full chain rather than concentrated in a few identifiable tokens.

一位哲学家关于AI推理模型如何颠覆数学、解决长期悬而未决的猜想并迫使学术界重新思考研究未来的文章。

本文介绍了β-OPSD，它是同策略自蒸馏（OPSD）的一种泛化形式，将其构建为一个具有可控KL惩罚的策略优化家族。该方法利用蒸馏来近似昂贵的策略优化，在数学基准上提升了稳定性和推理性能。

掩码蒸馏是一种知识蒸馏框架，它训练学生大语言模型仅预测解决方案令牌，同时推理教师提供反馈，旨在将思维链计算内化到模型参数中。该方法显示任务相关的成功，在GSM8K上有效，但对于像Countdown这样更困难的任务需要小型脚手架。

本文诊断了可验证奖励强化学习（RLVR）中的“pass@k反转”现象：训练提高了单次准确率，但在重复采样下降低了性能，尤其是在正确轨迹稀少的边界提示上。提出了一种基于每个问题的基础锚定（PBA）方法来缓解这一问题。

本文比较了多种增强法律领域神经机器翻译的方法，包括监督微调和基于可验证奖励的强化学习。重点针对瑞士法律体系翻译，表明小型语言模型可显著增强，其中强化学习超越监督微调的性能。

作者讲述了使用Gemma模型翻译推理痕迹时遇到的问题，模型执行了文本中的指令而非进行翻译，突出了指令与有效负载之间的边界失效。

本文讨论了在LLMs中控制推理努力，包括OpenAI发布的GPT-5.6具有多种推理努力设置，并提供了开发可调节努力模式的推理模型的指导。

研究受损语言模型中的有害思维链痕迹能否迁移不安全行为，并蒸馏为可复用的越狱攻击。结果发现，有害推理在痕迹和模式两个层面均可迁移，具备推理能力的模型脆弱性高出两倍以上。

NVIDIA推出了Llama-Nemotron，这是一个开放的推理模型系列（Nano 8B、Super 49B、Ultra 253B），它们与DeepSeek-R1竞争，具有卓越的推理效率、动态推理切换和开放的后训练数据集。

作者认为当前AI使用定价模式存在缺陷，因为用户被收取了不可见的‘思考’token费用，形成了依赖信任的计费系统。他们建议实验室要么调整输出token定价，要么按计算资源明确收费。

本文探索将大型推理教师模型（8B）蒸馏为小型学生模型（0.6B），用于端侧结构化文本增强，在实现大幅加速的同时恢复了显著的质量。研究发现，教师模型的推理能力而非其规模推动了摘要质量的提升，但同等规模的指令教师在某些文章上能产生更忠实的输出。

介绍了MARGO，一种强化学习框架，通过比较思考和非思考轨迹，使用混合模式优势正则化来减轻大型推理模型中由思考引发的幻觉。

Liquid AI 发布了 Antidoom，这是一种开源方法，通过微调推理模型来打破重复的token循环（末日循环），在 Qwen3.5-4B 上无需重新训练或强化学习即可将故障率从约23%降至1%。