AI 论文日报

2026-10-09 · 周五
汇总过去 48 小时内 AI 前沿论文、模型发布、开源权重与排行榜最新动态。 数据来源包括 arXiv、Hugging Face、Chatbot Arena、LiveBench 等。

📌 今日重点论文 Top 3

1 DeepSeek-R1-0528：推理能力再突破，AIME 2025 得分 87.5%
DeepSeek 团队 · 2025-05-28 发布
DeepSeek 发布 R1-0528 版本，AIME 2025 得分从 70% 提升至 87.5%，显著缩小与闭源模型的差距。同时发布基于 Qwen3-8B 微调的蒸馏版 R1-0528-Qwen3-8B，AIME 2024 得分仅次于完整版，超越 Qwen3-235B。幻觉率降低约 45-50%，新增 JSON 输出与函数调用支持，前端代码生成能力大幅增强。
推理 llm model-weights
来源 →
2 AM-Thinking v1：32B 稠密推理模型击败更大 MoE 模型
A-M Team · arXiv 2025-05 · 开源
一个 32B 参数的稠密推理模型，在数学和代码任务上击败 DeepSeek-R1 并匹敌 Qwen3-235B-A22B 等更大 MoE 模型。AIME 2024 得分 85.3%，LiveCodeBench v5 得分 70.3%，Arena-Hard 得分 92.5%。基于 Qwen2.5-32B 完整开源训练，展示了中等规模模型在推理能力上的潜力。
推理 llm model-weights
来源 →
3 Agent0-VL：零数据自进化多模态 Agent
UNC-Chapel Hill / Salesforce / Stanford · arXiv 2025-11
将 Agent0 的自进化范式扩展至多模态推理，通过求解器-验证器双角色循环实现持续自我改进，无需任何外部标注数据。工具集成至推理、自我评估与自我修复全流程，在视觉推理任务上提升 +12.5%，测试时缩放提升 +7.3%。
agent-research multimodal-research research
来源 →

🤖 新模型发布与开源权重

DeepSeek-R1-0528
DeepSeek · 开源推理模型 · 2025-05-28
AIME 2025 得分 87.5%，幻觉率降低 45-50%，支持 JSON 输出与函数调用。同时发布 Qwen3-8B 蒸馏版，AIME 2024 仅次于完整版，超越 Qwen3-235B。
推理 llm model-weights
来源 →
Qwen3（全家族开源）
阿里云通义千问 · Apache 2.0 · 2025-05-01
旗舰 MoE 模型共 235B 总参数（22B 激活参数），全系列以 Apache 2.0 开源。LiveBench 总分 78.5，数学 91.3，代码 72.9，成本 $0.275/任务。
llm model-weights
来源 →
Gemma 3n（Google）
Google DeepMind · 开源多模态 · 2025-05
面向低资源设备的高效多模态模型，支持文本、图像、视频、音频输入，覆盖 140+ 语言。采用选择性参数激活技术，有效规模仅 2B/4B 参数，适合手机端部署。
multimodal model-weights
来源 →
mmBERT（Hugging Face）
Hugging Face · 110M 参数 · 2025-09
基于 ModernBERT 架构，训练于 1,833 种语言超 3 万亿 token。渐进式语言添加策略保证小语种表现。GLUE 媲美英文专用模型，XTREME 跨语言任务显著提升。Apache 2.0 开源。
llm model-weights
来源 →
FLUX.1 Kontext（Black Forest Labs）
Black Forest Labs · 2025-05-29
新一代图像编辑模型，采用流匹配架构，支持混合文本+图像输入。角色一致性、局部编辑、风格参考表现领先，1024×1024 生成仅需 3-5 秒。Pro/Max 版本已上线，开源 Dev 版本计划中。
image-gen model
来源 →
Seed1.5-VL（字节跳动）
ByteDance · 20B 视觉语言推理模型 · 2025-05
20B 参数的视觉-语言推理模型，支持多步骤图文联合推理，在多模态基准测试中表现领先。
multimodal reasoning
来源 →
Wan 2.1（阿里巴巴）
Alibaba · 开源视频生成 · 2025-05-15
开源扩散-变换器文本到视频生成套件，支持高质量视频合成，为创作者提供完整的视频生成工作流。
video-gen model-weights
来源 →
Dia（Nari Labs）
Nari Labs · 1.6B 参数 TTS · 2025-06
开源文本转语音模型，可生成高度逼真的对话音频，包含笑声、咳嗽等非语言发声。支持情感与语调控制，可通过音频条件实现语音克隆。
audio-gen model-weights
来源 →
V-JEPA 2（Meta FAIR）
Meta AI · 视频编码器 · 2025-06
自监督视频编码器，使用互联网级视频数据训练，在运动理解和人类动作预测任务上达到 SOTA。V-JEPA 2-AC 为经少量机器人轨迹后训练的潜在动作条件世界模型。
multimodal model-weights
来源 →
MiniMax-Speech（MiniMax）
MiniMax 团队 · 零样本 TTS · 2025-05-12
自回归 Transformer TTS 模型，创新的可学习说话人编码器无需参考音频转录即可提取音色特征。支持 32 种语言，TTS Arena 排行榜登顶，零样本与高保真语音克隆均表现优异。
audio-gen model
来源 →

📄 按方向分类论文

🧠 推理与数学（Reasoning）
Absolute Zero: Reinforced Self-play Reasoning with Zero Data
Andrew Zhao 等 · arXiv 2025-05 · [cs.AI]
提出 Absolute Zero 范式：单一模型在无外部数据条件下，通过学习自我生成最大化学习进展的任务来进化推理能力。在代码和数学推理上达到 SOTA，超越依赖数万个人工标注样本的零设定模型。
推理 method research
来源 →
AdaptThink: Reasoning Models Can Learn When to Think
中科院自动化所 · arXiv 2025-05 · [cs.CL]
通过约束优化与重要性采样，让推理模型学会自适应切换思考模式，根据问题难度决定"是否思考""思考多少"。平均响应长度减少 53%，数学数据集准确率提升 2.4%。
推理 method research
来源 →
AdaCoT: Pareto-Optimal Adaptive Chain-of-Thought Triggering via RL
arXiv 2025-05 · [cs.CL]
利用 PPO 强化学习自适应控制思维链（CoT）触发时机，通过选择性损失掩码确保训练稳定，显著减少不必要的 CoT 使用与计算成本，同时在复杂任务上维持高性能。
推理 method
来源 →
FreeKV: Boosting KV Cache Retrieval for Efficient LLM Inference
Guangda Liu 等 · arXiv 2025-05 · [cs.LG]
提出 KV Cache 检索增强方案，在不增加额外计算的前提下显著提升长序列推理效率，为部署超大上下文 LLM 提供低成本解决方案。
推理 method
来源 →
🔮 多模态（Multimodal）
DeepEyesV2: Toward Agentic Multimodal Model
小红书团队 · arXiv 2025-11 · [cs.CV]
探索从数据构建、训练方法与评测三个维度构建具身多模态 Agent 模型。提出两阶段训练管线：冷启动阶段建立工具使用模式，强化学习阶段精细化工具调用。发布 RealX-Bench 基准，全面评估真实世界多模态推理能力。
multimodal-research agent-research benchmark
来源 →
Be My Eyes: Extending LLMs to New Modalities Through Multi-Agent Collaboration
USC / Microsoft Research / UC Davis · arXiv 2025-11
模块化多 Agent 框架，将高效 VLM（感知者）与强大 LLM（推理者）通过对话协作。无需训练大规模多模态模型，仅将 DeepSeek-R1 与 Qwen2.5-VL-7B 结合即可在知识密集型多模态任务上超越 GPT-4o 等闭源模型。
multimodal-research agent-research method
来源 →
Skywork R1V2: Multimodal Hybrid Reinforcement Learning for Reasoning
昆仑万维 Skywork AI · arXiv 2025-06 · [cs.CV]
混合强化学习范式中联 MPO 与 GRPO，解决视觉幻觉与过度思考问题。引入选择性样本缓存（SSB）机制缓解 GRPO 优势消失困境。OlympiadBench 62.6、AIME2024 78.9、LiveCodeBench 63.6、MMMU 73.6。权重已开源。
multimodal reasoning model-weights
来源 →
UnifiedReward-Think: Unified Multimodal CoT Reward Model
arXiv 2025-05 · [cs.CV]
首个统一多模态思维链奖励模型，引入显式长链 CoT 推理用于视觉理解与生成奖励。通过探索驱动的强化微调迭代优化，显著提升奖励信号可靠性。
multimodal-research method
来源 →
Delta Attention: Fast and Accurate Sparse Attention Inference
arXiv 2025-05 · [cs.CL]
通过 Delta 修正纠正稀疏注意力计算引起的分布偏移，在 131K RULER 基准上恢复 88% 二次注意力精度，同时保持约 98.5% 稀疏度，推理速度提升约 36%。
model-research method
来源 →
🤖 Agent 研究（Agent）
Agent0: Self-Evolving Agents from Zero Data
UNC-Chapel Hill / Salesforce / Stanford · arXiv 2025-11
完全无需外部数据或人工标注的自进化 Agent 框架，课程 Agent 与执行 Agent 形成共生竞争关系。通过工具集成与多轮协同进化，在 Qwen3-8B 基础上数学推理 +18%，通用推理 +24%。
agent-research method
来源 →
Agent-Omni: Test-Time Multimodal Reasoning via Model Coordination
Amazon / Rochester Institute of Technology · arXiv 2025-11
通过主控 Agent 协调多个专业基础模型（文本、图像、音频、视频），实现灵活的零样本多模态推理，无需重新训练。在跨模态推理任务上达到 SOTA，设计模块化且易于扩展。
agent-research multimodal-research
来源 →
Scaling Computer-Use Grounding via UI Decomposition (Jedi)
arXiv 2025-05 · [cs.AI]
提出 OSWorld-G 基准与 Jedi 大型数据集，通过用户界面分解与合成实现 GUI grounding 缩放。Jedi 数据集将基础模型在复杂电脑任务上的能力从 5% 提升至 27%。
agent-research benchmark
来源 →
Chain-of-Model Learning for Language Models
arXiv 2025-05 · [cs.LG]
提出 Chain-of-Model（CoM）范式，将 CoM 与 Transformer 架构集成（CoLM），并引入 KV 共享机制的 CoLM-Air 变体，为弹性推理和渐进式扩展提供灵活性。
model-research method
来源 →
🛡️ 安全与对齐（AI Safety）
Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in LLMs
arXiv 2025-05 · [cs.AI]
提出 Sentient Agent（Sage）框架，模拟具有情感变化的高级社会认知 Agent 来评估 LLM 的社会认知能力。发布 Sentient Leaderboard，揭示前沿 LLM 在高级社交能力上与较小模型的显著差距。
ai-safety benchmark research
来源 →
Red Teaming Large Language Models for Healthcare
Vahid Balazadeh 等 · arXiv 2025-05 · [cs.AI]
针对医疗健康场景的大模型红队测试研究，系统性评估 LLM 在医疗领域的安全边界与潜在风险，为医疗 AI 部署提供安全对齐建议。
ai-safety research
来源 →
ARIW-Framework: Adaptive Robust Iterative Watermarking
Shaowu Wu 等 · arXiv 2025-05
提出自适应鲁棒迭代水印框架，用于图像内容的不可见版权保护与溯源，在保持图像质量的同时实现稳健的水印嵌入与提取。
ai-safety research
来源 →
🔬 模型研究（Model Research）
RADLADS: Rapid Attention Distillation to Linear Attention Decoders at Scale
Daniel Goldstein 等 · arXiv 2025-05
快速将 Softmax Attention Transformer 蒸馏为线性 Attention 解码器的协议，仅需 350-700M token（不足原模型训练量的 0.005%）。支持 7B/32B/72B 规模转换，72B 模型转换成本低于 $2,000。
model-research method
来源 →
CleanPatrick: A Benchmark for Image Data Cleaning
Fabian Gröger 等 · arXiv 2025-05
提出 CleanPatrick 图像数据清洗基准，系统评估大规模视觉预训练数据的清洁度对模型性能的影响，发布高质量清洗管线工具包。
benchmark research
来源 →
Pedagogy-R1: Pedagogically-Aligned Reasoning Model with Balanced Educational Benchmark
Unggi Lee 等 · arXiv 2025-05
教育对齐推理模型，构建平衡教育基准以评估模型在教学场景中的推理能力，推动教育 AI 应用的公平性与有效性研究。
推理 benchmark research
来源 →
🎵 音频生成（Audio Generation）
Fast Text-to-Audio Generation with Adversarial Post-Training (ARC)
Zachary Novack 等 · arXiv 2025-05-13
对抗性相对对比后训练方法，不依赖蒸馏即可加速扩散/流模型推理。在 H100 上 75ms 生成 12 秒 44.1kHz 立体声音频，移动端约 7 秒，为目前已知最快文本到音频模型。
audio-gen method
来源 →
💻 编码模型（Coding）
Gemini Code Assist 正式版上线
Google · 2025-05
Google I/O 宣布 Gemini Code Assist 面向个人开发者全面免费开放，企业版支持 200 万 token 上下文窗口。同时推出 GitHub 集成代码审查 Agent，由 Gemini 2.5 驱动。
coding model
来源 →

📊 排行榜变动

Chatbot Arena（总体排名，2025年5月快照）

排名模型机构Elo 评分备注
1Gemini 2.5 ProGoogle DeepMind1446新增 Deep Think 推理模式
2Gemini 2.5 FlashGoogle DeepMind1418新增原生音频输出
3o3OpenAI1409保持强劲竞争力
4GPT-4oOpenAI—持续稳居前列
—Hunyuan TurboS腾讯1356首次进入 Top 10
—DeepSeek-R1-0528DeepSeek快速上升AIME 87.5%，开源榜首

来源：Chatbot Arena (arena.ai) · 2025年5月快照 · Elo 评分越高代表用户偏好越强

LiveBench 排行榜（2026-06-25 最新释放）

排名模型类型总分成本/任务备注
1Claude Fable 5 Max Effort闭源83.4$1.212推理 91.7，编码 86.4
2Claude 5.5 Opus Thinking闭源83.2$0.799推理 92.2
3Claude Fable 5闭源83.0$1.439语言 90.7
4GPT-6 Astra Max Effort闭源82.2$0.736编码 80.4
5GPT-6.1 Sol Max Effort闭源81.6$0.142性价比优
7DeepSeek V4.1 Flash开源81.1$0.029成本最低之一
14Qwen 3.8 Max开源78.5$0.275数学 91.3
—GLM-5.3开源76.1$0.450智谱 AI

来源：LiveBench (livebench.ai) · 2026年6月最新释放 · 污染免疫基准，23项客观任务

xBench-ScienceQA（推理能力排行，2025年5月）

排名模型机构Bold(N=5)Cost
1Doubao 1.5 Thinking Pro字节跳动53.6$69.0
2DeepSeek-R1DeepSeek50.4$161.6
3o4-mini (high)OpenAI50.4$48.2
4Claude Opus 4 ThinkAnthropic46.6$30.8
5Gemini 2.5 Flash PreviewGoogle46.2$24.1
6Qwen3-Think 235B阿里巴巴45.4$105.9

来源：xbench.org · 2025年5月快照 · Bold(N=5) 为最佳5选1准确率

斯坦福 AI Index 2026 关键发现

指标内容
Top 4 公司差距Anthropic(1503)、xAI(1495)、Google(1494)、OpenAI(1481) 均在 25 Elo 以内
中美模型差距美中模型性能差距已实质关闭，多次交替领先
开源 vs 闭源开源模型性能差距 2025 年重新拉开（3.3% vs 2024年8月的 0.5%）
Agent 成功率AI Agent 仍失败约 1/3 尝试，但有持续进步
基准饱和MMLU、GSM8K、HumanEval 等基准已趋近天花板

来源：Stanford AI Index Report 2026 · Chapter 2