Meta AI 团队提出 VISTA（Visual Intelligence in Task-Specific Adaptation），一套视觉化人类基准测试框架，针对 ARC-AGI-3 推理挑战。评测结果显示 Claude Opus 5 在该基准上达到满分 100/100，标志着通用推理能力取得重大突破。
Kepler 是一种端到端可微分的视觉-语言世界模型，通过视觉 token 实现符号推理。作为第一个将视觉感知与逻辑推理统一建模的工作，在 ARC-AGI 基准上展现出新的研究范式。
Google DeepMind 于10月1日正式宣布 Gemini 4 Argon，定位为高能力、高效率的多模态模型，支持文本、图像、代码理解与生成。官方预告其将在推理和多模态任务上刷新多项基准成绩。
| 排名 | 模型 | Elo 分 | 变化 | 评论数 |
|---|---|---|---|---|
| 1 | Claude Opus 4.6 | 1428 | — | 12.4k |
| 2 | GPT-5.5 | 1412 | ▲ 2 | 9.8k |
| 3 | Gemini 4 Argon | 1398 | ▲ 新上榜 | 5.2k |
| 4 | Kimi K2.5 | 1385 | ▼ 1 | 8.1k |
| 5 | DeepSeek R1 Pro | 1371 | — | 6.3k |
来源：chat.lmsys.org · 更新频率：每日自动刷新
| 排名 | 模型 | Elo 分 | 变化 |
|---|---|---|---|
| 1 | Jev | 1562 | — |
| 2 | StartLux | 1534 | ▲ 1 |
| 3 | Intern-Decision-v2 | 1518 | ▲ 2 |
| 4 | Strands Decider 2B | 1495 | ▲ 新上榜 |
| 5 | o4-Mini | 1480 | ▼ 1 |
来源：LMSys Decision Arena · 决策模型专项榜单
Google DeepMind 发布 Gemma 4 系列技术报告，介绍新一代轻量级开源 LLM 的训练方法、多语言支持与长上下文能力。
OpenAI 发布 Codex 2 更新说明，强化代码生成、调试与项目级理解能力，支持更长的对话上下文。
DeepSeek 团队发表研究，探索推理模型在复杂数学与代码任务上的优化策略，提出新的注意力机制改进方案。
Moonshot AI 公开 Kimi K3 的 MoE 架构设计细节，包括稀疏专家选择策略、负载均衡机制及长上下文训练技巧。
Kepler 利用视觉 token 实现符号推理，首次在 ARC-AGI 基准上验证了端到端可微分视觉-语言世界模型的可行性。
提出 VISTA 框架评估模型的视觉推理与任务适应能力，Claude Opus 5 在该基准上取得满分成绩。
提出 PyRUA-Lean 框架，利用 GPT-6 Astra 增强机器人的感知-行动循环，实现更高效的物理环境交互与任务规划。
探索多 Agent 协作在复杂决策任务中的涌现能力，提出基于 Consensus 的协同推理方法，在模拟环境中显著提升成功率。
提出 SSR（基于选择的结构化推理）方法，通过候选选项筛选替代传统 Chain-of-Thought，在数学与逻辑推理任务上效率更高。
综述近期决策模型的发展脉络，从 DeepSeek R1 到 StartLux、Jev 等新兴模型，分析 Decision Arena 榜单上的性能演进趋势。
提出将大语言模型作为奖励模型的框架，通过多 Agent 协作提升奖励信号的准确性与鲁棒性，辅助模型对齐训练。
系统性分析 LLM-as-a-Judge 在基准评测中的偏差来源，提出改进的评分校准方法，提升自动评测的可靠性。
提出新型长上下文训练优化方案，显著降低 KV Cache 内存占用，使 1M+ token 上下文训练成为可能。
探讨推理阶段的计算优化策略，包括 Speculative Decoding 与 KV Cache 复用，在保持质量的同时降低 40%+ 延迟。