AI 论文日报

MIT 协议开源，1M 上下文窗口，Gated DeepSeek Sparse Attention + MTP 层支持推测解码。Terminal-Bench 2.1 = 90.6，超越 DeepSeek 自有 V4 Pro。

1M 上下文，原生视觉输入，API 成本约为上一代 1/40。AA 指数 57 分（与 Claude Opus 4.8 持平），Terminal-Bench 2.1 = 84.3，DeepSWE v1.1 = 63.4。

128K-256K 上下文，混合视觉编码器。MMLU 达 92+，function calling 96.8%，FrenchBench 获评最佳法语选项。法国 Mistral AI 出品（2026-09-14）。

MIT 协议开源（极为罕见的大规模模型开放许可），256K 上下文，BF16 权重约 1.5TB，FP8 约 756GB。

262K 上下文，多 token 预测，消费级 GPU 可运行，可量化至笔记本端侧。超越 FLUX.1、DeepSeek-R1 登顶 HuggingFace 历史 Most Likes 第一（>14.9K likes，7.7M downloads）。

专为端侧 Agent 设计，GQA（16 query heads / 2 KV heads）。AA 榜单 4B 以下模型全球第一，Agentic Index = 20 分断层领先。

基于 Qwen3.5-MoE 35B-A3B，MLX 后端，可在 iPhone 上运行（仅需 <3GB 内存），支持流式专家加载。

L2 reasoning rate >93%（60 种语言），在 arXiv 2609.10445 同步发布。

MiniMax 旗舰级开源视频模型，支持 2K 分辨率、最长 15 秒、原生立体声音频。HuggingFace 热度 5281 likes，4.8M downloads。注意：商业许可对美/欧/英/韩有限制。

DiT 架构，支持图生视频、文生视频，RTX 4090 可本地部署。HuggingFace 热度 3847 likes，1.6M downloads。

原生联合音视频生成，2K 分辨率 1-step refiner，门控跨模态注意力。

生成可编辑乐谱 + 完整歌曲（含人声），中英双语，48kHz 立体声，24GB VRAM。WildSongBench 超越 Suno v5 和 v6。

直接输出结构化判断/概率/置信度，响应速度比传统 LLM 快 200 倍（70-500ms），由前 OpenAI ChatGPT 研究员 Diogo Almeida 发布（2026-09-15）。

针对语音 Agent 固定 listen-think-speak 循环导致延迟的问题，提出连续时间认知架构，使模型在监听时同时思考和说话时同时思考。通过可验证目标和 on-policy RL，将流式任务完成率从 48% 提升至 73%+。

从自组织临界性、弱混沌和 metastable 信念动力学角度研究长程 LLM Agent 轨迹。通过 22 个实验（拼图、工具使用、具身任务、多跳检索等）发现：局部有效动作可在全局状态失真后持续存在，压力可触发崩溃，错误序列具有长记忆性。

提出自涌现 Agent 架构，融合行为惯性 HMM、反思性元认知和社会对比自我建模，探索 Agent 自主能力涌现机制。

提出自我知识引导的逐步偏好学习框架，实现更简洁高效的推理。IJCNN 2026 接收。

揭示测试时强化学习在医疗多选 QA 上的失效原因：答案空间结构导致错误 rollout 碰撞到同一错误伪标签。提出 PROSE（过程奖励引导自训练），用过程奖励模型评分推理步骤。在 Llama 上超越专用医疗模型，无需推理时奖励模型。

在投机解码中引入早期层协作层次编排与 bonus logits，加速 LLM 推理。EMNLP 2026 Main Conference 接收。

首次提出 Early-Bird 解码框架，利用低熵 token 聚类的观察，通过可学习网络自适应分组并并行解码，在不修改预训练 dLLM 权重前提下实现 3.53-18.76×吞吐提升。

提出自投机与 KV 兼容的早期退出机制，优化 offloading 感知的 LLM 推理。

提出 JIT 状态管理方案，在 24GB 笔记本上服务 200K token LLM。

针对真实场景中模态不完整问题，提出 APCF 框架，构建情感原型库以建模不同情感语义下的模态贡献特征，通过条件检索与特征聚合进行多模态融合，送入 LLM 解码器生成开放词汇情感标签。在 OV-MERD+ 和 MER-FG 数据集上显著超越 SOTA。

提出自适应宏微观推理，提升视频多模态大模型效率。

在 SHROOM-Visions 多语言视觉-语言幻觉检测任务中，使用多个 fine-tuned VLM 作为独立标注者并通过字符级多数投票组合预测，在 4 个语言中 3 个获得第一名。UncertaiNLP 2026 @ EMNLP 接收。

通过强化学习结合效价-唤醒锚定，在图像生成中平衡情感对齐与语义一致性。

针对 LLM 社交推理评估难题，提出 Fuse 多 Agent 模拟框架，通过隐藏动机的 target agent 与 user agent 交互构造可验证社交推理场景。在 24k 人工标注上验证仿真保真度，发现 LLM 对偏差性用户框架高度敏感，长对话不必然提升表现。开源 21k 数据示例。

提出无名字词表 tokenization 防御方案，在 tokenizer 层面抵御开放权重 LLM 中的控制 token 伪造攻击。

提出风格去偏 DPO，用事实感知合成偏好数据更新 LLM 知识，避免风格而非内容驱动的对齐偏好。

通过保持能力不变的重排简历扰动，揭示 LLM 筛选中对呈现方式的敏感性。

揭示去标识简历中的人口统计信息泄露及 LLM 偏差审计中的评估 artefact。

通过多轮对话说服测试 LLM 的事实鲁棒性。

45 页深入分析 post-training quantization 有效性的理论解释。

从信息几何角度研究 LLM 的共享、学习和可控性。

提出无需校准的结构化剪枝方法，通过潜在谱几何实现 LLM 压缩。

提出任务条件路由方案优化 RAG 系统。

提出参考驱动的持续 VLLM 后训练方法，而非仅做蒸馏（37 页，含详细实验）。

量子-经典混合架构在代码推理基准 SciCode 上取得 84.0% 提升，展示长程推理在新架构下的巨大潜力。

📌 Anthropic Claude 系列占据 Top 10 中 7 席，Fable 5 是新上榜顶尖模型（1507 Elo）。Gemini 3.8 Flash High 和 Claude Opus 5 为新进入前十的模型。中国模型 Kimi K3 Max（1489）、Qwen3.8 Max（1480）、GLM-5.3 Max（1482）进入前 20。

📌 Qwen 家族霸榜：前 10 名占 7 席。Qwen3 Max Thinking（93.7%，1T 参数）领跑。MiMo-V2.5-Pro（小米，91.5%）性价比最高国产模型。Kimi K2 系列（92.5%、91.5%）为中国另一强队。

📌 OpenAI 垄断 Top 9 中 6 席，GPT-5 以 92.5% 领跑。Qwen3 VL 235B（90.6%）为中国模型在 MMLU 上的最佳成绩。Kimi K2（90.2%）首次进入 Top 10。

📌 Calme 系列（社区微调，基于 Qwen2.5-72B）占据 Top 4，反映 RLHF 微调的重要性。Open LLM Leaderboard v2 的最终快照，Benchmark 包括 IFEval、BBH、MATH、GPQA、MUSR、MMLU-Pro。