reasoning

一个开源实验，将杰文斯式（JEV）逻辑应用于LLM，使其思考过程自适应：模型逐词测量熵值，仅在不确定性较高时触发额外的并行思考块，并通过树搜索选择最佳分支。特别适合运行本地模型的用户，他们可以利用并行解码流来发挥优势。

提出Uncertainty-Aware Allocation (UAA)框架，通过兄弟节点语义分散度估计不确定性来动态分配LLM树搜索的每步扩展预算，在保持精度的同时将token使用量减少最多90%、延迟降低最多9倍，且可跨四种树搜索算法和开源/闭源模型泛化。

ARBOR 提出一种推理失败归因框架，将推理轨迹表示为推理状态树，以全局视角定位长思维链中的过度思考、思考不足和无依据推断等失败模式。研究发现该树状状态能区分真正导致失败的步骤与风险步骤。

斯坦福研究者通过受控实验研究了在Lean定理证明中，验证器反馈（失败证明与编译诊断）对模型自我修复的影响，发现虽然诊断能改善修复，但自我修复整体上仍无法超越独立重采样。

该论文提出了 QEMem 框架，将 LLM 检索的记忆重组为查询特定的证据集合，以弥合"相关性-充分性差距"，在 LoCoMo 基准上以 Claude Opus 4.5 达到 91.43% 的 LLM-judge 准确率，超越 MemR3 和 NEMORI 基线。

PRIME（Precommitted Rules for Inference from Minimal Evidence，基于最小证据的预承诺推理规则）通过预承诺证据规则和检查账本约束 LLM 智能体，使其只报告可被验证证据支持的结论，在 480 个公共记录任务上将无依据结论从 26.7% 降至 0，并将有依据结论的平均分从 30.1 提升至满分 59.2/100。

论文提出事件推理系统（ERS），将推理状态显式表示为事件图，通过低层可复用规则与可递归组合的高层控制规则构建可解释、可修订的推理路径，在结构化事件图上实现长依赖链、零无关操作与高效的动态子目标控制。

作者声称其自研的混合架构在 ARC-AGI-3 基准上取得 15.85%（29/183 关卡）的成绩，约 4 倍于 2026 里程碑获奖水平。该架构由稀疏化的 Gemma-4-31B-It 结合 OpenJEV、HRM/TRM「右半球」及双向胼胝体子系统构成，并在 QASPer LongBench 上以 62.23% KV cache 达到接近稠密模型的性能，附两篇预印本和开源仓库。

ATEST：面向大语言模型推理的自适应资源感知测试时缩放提出了一种资源感知的测试时缩放框架，联合考虑额外采样的预期价值与当前 GPU 成本，在 GPU 负载变化下动态决定采样何时停止，从而在满足能耗预算的同时保持准确率，并显著减少 GPU 时间与能耗。

TCoVP 引入了时空绑定的视频推理链（Temporal Chain of Video Primitives），将实体引用与带时间戳的空间证据相关联，用于视频推理分割任务，并通过 SFT 与链对齐强化学习数据集在多个基准上取得了提升。

一项基准测试让 17 个 AI 进行了 7700 手单挑无限注德州扑克，结果发现廉价推理 LLM 的表现与前沿模型相当，而一个仅 30 行的 Python 胜率脚本击败了专用决策模型，并与 Claude Opus 5.5 打成平手。

用户讨论 DeepSeek V4.1 Flash 的 token 效率表现，初步测试显示在高思考强度下 CoT 更短且质量更高，解决任务所需轮次更少，值得尝试。

DeepSeek 发布 DeepSeek-V4.1-Flash-1017，作为 DeepSeek-V4.1-Flash 的小幅更新，在推理、编码、智能体任务与视觉基准上均有提升，同时缩短执行时间与输出长度，进一步优化性能-成本帕累托前沿。

一个 Hugging Face 仓库发布了适用于 llama.cpp 上 Qwen3.8-Flash-Next 的改进版 Jinja 聊天模板（包括名为“Sharp”的简洁选项），新增了逐条消息的思考/简洁度标签，并修复了工具调用渲染和空思考块污染问题。

Woosuk Kim 祝贺 Reflection AI 发布 Reflection-Beam-1.0，这是一款总参数量 501B（激活参数 23B）的 MoE 模型，具备 1M token 上下文窗口、混合注意力机制以及 Harmony 格式推理，并重点介绍了 AI 智能体自主驱动模型优化、逐步追踪性能提升的过程，以及 Day-0 即支持 vLLM/SkyRL 的特性。

Reflection AI 的 5010 亿参数开放权重 MoE 模型 Reflection Beam（230 亿激活参数）现已在 Modal 平台上线，支持 100 万词元的上下文窗口，专注于编码、智能体工作流和推理任务。

该研究探讨如何让采用快速直觉式推理（系统1）的大语言模型展现出慢速、分析性的系统2推理能力，可能提出相应的训练或提示方法。

Reflection 发布开源模型 Beam-1.0-501B-A23B，采用稀疏混合专家（MoE）架构（5010 亿总参数/230 亿激活参数），支持 100 万词元上下文，主打词元高效推理、软件工程与智能体工具调用能力，提供 BF16、FP8、NVFP4 多种数值精度版本，采用 Apache 2.0 许可证。

据报道，Gemini 4 Argon 在 ARC-AGI-3 基准测试中取得了 97.5 分，基本触及该测试的上限，促使相关人员开始开发侧重新颖想法生成与创新能力的 ARC-AGI 4——发帖者将其比作 ASI（人工超级智能）级别的评估。

OrcaRouter 发布 OrcaCyber Nano 1.0，一个 27B 视觉语言推理模型，以 GGUF 格式打包，可在本地离线运行，面向逆向工程、漏洞分析、安全代码审查等防御性安全工作，并公布多项基准测试成绩。