🧠 LLM 推理、效率与架构优化（约 30 篇）

本日最大热点方向。推理增强（数学证明、自我纠错）、推理效率（稀疏注意力、量化、KV 缓存复用）和训练方法（LoRA 优化、RL 后训练机制）三线并进，前沿模型在竞赛数学上突破人类金牌线。

• MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Population-Level Test-Time Scaling — IMO 2025 达 35/42，超越人类金牌门槛
• MiniMax Sparse Attention — 1M 上下文注意力计算降低 28.4×，H800 预填充加速 14.2×
• MARS: Margin-Adversarial Risk-controlled Stopping for Parallel LLM Test-time Scaling — 并行采样节省 25-47% token 且不损精度
• Select and Improve: Understanding the Mechanics of Post-Training for Reasoning — 揭示 RL 后训练的策略选择与策略改进双机制
• ReSum: Synergizing LLM Reasoning and Summarization with Reinforcement Learning — 自我摘要压缩推理链，性能+4%、长度-18.6%

🤖 智能体系统与记忆管理（约 28 篇）

Agent 研究呈现两极分化：一方面新型 Agent 框架在科学发现（MD 模拟、量子电路设计）和工程任务（CAD、软件操作）展现强大能力；另一方面关于多智能体系统"是否真正有效"的反思性研究引发关注。

• MDForge: Agentic Molecular Dynamics Pipeline Design under Sparse Simulator Feedback — LLM Agent 自主设计 MD 管线，湿实验确认发现皮摩尔级新结合物
• The Illusion of Multi-Agent Advantage — 自动 MAS 一致劣于 CoT-SC 且成本高 10×
• Learning What to Remember: A Cognitively Grounded Multi-Factor Value Model for Agentic Memory — 七因子记忆价值函数，黄金证据留存率从 0.37 升至 0.77
• HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness — 可学习的 Agent-环境接口控制器
• WISE: A Long-Horizon Agent in Minecraft with Why-Which Reasoning — 因果事件图增强低层控制器

🎨 多模态理解与视觉生成（约 25 篇）

统一多模态模型（UMM）和视觉推理是核心趋势。HYDRA-X 首次在单一 ViT 内统一图像-视频 tokenization；视觉语言模型的空间推理和组合性理解也有多项突破；长视频生成的稳定性问题获得新解。

• HYDRA-X: Native Unified Multimodal Models with Holistic Visual Tokenizers — 首个单 ViT 统一图像视频 tokenization 的 UMM
• PERIA: Building Tool-Augmented Visual Agents for Spatial Reasoning — 工具增强视觉 Agent，8B 模型追平 GPT-5
• TetherCache: Stabilizing Autoregressive Long-Form Video Generation — 240s 视频质量漂移从 7.84 降至 1.33
• Iterative Visual Thinking: Teaching VLMs Spatial Self-Correction — 闭环视觉反馈提升定位精度，仅需 2400 样本
• MoTiF: Bridging Modal Isolation in Interleaved Thinking — 首次定义并解决交错思考中的模态隔离失效

🛡️ 安全、对齐与红队测试（约 18 篇）

安全研究从单模型向多智能体系统安全延伸。Shapley 值指导的多智能体协同红队攻击、利益相关者视角的 prompt 注入基准、以及 LLM 自主渗透能力评估均属首创。

• MAStrike: Shapley-Guided Collusive Red-Teaming on Multi-Agent Systems — 首次用 Shapley 值量化 MAS 各 Agent 安全贡献
• Who Pays the Price? Stakeholder-Centric Prompt Injection Benchmarking — 利益相关者视角的 Web Agent 安全评估
• The Emergence of Autonomous Penetration Capabilities in LLMs — 19 模型评估，最高渗透成功率 69.3%
• HCPD: Zero-source LLM Hallucination Detection with Human-like Criteria Probing — 无需外部参考的幻觉检测
• MLUBench: MLLM Lifelong Unlearning Benchmark — 127 实体的多模态终身遗忘基准

🔬 科学计算与领域应用（约 27 篇）

AI for Science 持续活跃，涵盖化学（超分子化学基准、环肽设计）、生物（单细胞转录组预测、帕金森步态）、医学（心脏网格重建、医学 VLM）、机器人（人形运动、湿实验机器人）等多个前沿。

• OCOO-T: A Simple and Scalable Virtual Cell Model — 极简 Transformer 流匹配架构用于转录扰动预测，SOTA
• SupraBench: A Benchmark for Supramolecular Chemistry — 首个超分子化学 LLM 基准
• Pipette: An Embodied Simulation Platform for Wet-Lab Robotics — 11 任务湿实验机器人基准与数据增强框架
• Mental-R1: Aligning LLM Reasoning for Mental Health Assessment — 认知相对策略优化，加权 F1 提升 10.4pp
• APCyc: Property-Informed Design of Cyclic Peptides — 靶标感知的环肽从头设计

🏅 数学证明超越人类金牌线

论文：MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Population-Level Test-Time Scaling

创新点：MiniMax-M3 模型将证明生成、证明验证和批评修复三项能力合并到单一模型中，配合群体级测试时搜索和锦标赛选择。防御深度式生成验证器确保极低误报率。IMO 2025 得 35/42，USAMO 2026 得 36/42。

意义：首次在竞赛数学证明任务上系统性超越人类金牌选手门槛，标志着 AI 数学推理进入新阶段。

⚡ 百万级上下文稀疏注意力实现 14× 实际加速

论文：MiniMax Sparse Attention

创新点：在 GQA 基础上引入轻量 Index Branch 对 KV 块打分并独立选择 Top-k 子集，配合无 exp 的 Top-k 选择和 KV-outer 稀疏注意力内核。109B 参数模型在 1M 上下文下注意力计算减少 28.4×，H800 上预填充加速 14.2×、解码加速 7.6×。

意义：以极简设计实现生产级长上下文加速，已部署于 MiniMax-M3 开源模型，为业界长上下文推理提供直接可用的方案。

🧬 LLM Agent 自主设计分子动力学管线并发现新药物结合物

论文：MDForge: Agentic Molecular Dynamics Pipeline Design under Sparse Simulator Feedback

创新点：将 MD 管线设计视为开放式代码生成问题，通过多 Agent 物理专家辩论将稀疏模拟器奖励转化为密集语言反馈。在 SAMPL 基准上自动设计的管线竞争力匹配人类专家，并在 CB[7] 体系中发现湿实验竞争 NMR 确认的皮摩尔级高亲和力结合物。

意义：从基准性能到湿实验验证的完整闭环，代表 AI for Science 从"辅助分析"到"自主发现"的关键进展。

💭 多智能体系统"优势幻觉"的实证揭示

论文：The Illusion of Multi-Agent Advantage

创新点：通过系统性对比实验，证明自动生成的 MAS 在传统推理和交互式多步任务上一致劣于 CoT-SC，且成本高达 10×。引入定制合成数据集隔离任务结构因素后，发现现有自动 MAS 产生"架构膨胀"——追求表面复杂度而非功能效用。

意义：为当前 MAS 热潮提供冷静反思，提示社区重新审视多智能体的真正优势边界和成本效益。

🎯 MARS：并行推理的早停策略节省近半 token

论文：MARS: Margin-Adversarial Risk-controlled Stopping for Parallel LLM Test-time Scaling

创新点：在并行采样的中间检查点探测部分推理轨迹，提取当前答案并估计活跃轨迹改变答案的概率。通过对抗性边界和五特征逻辑回归模型实现高保真早停。三个推理模型、三个竞赛数学基准上节省 25-47% token 且精度匹配全预算基线。

意义：为 test-time scaling 的实际部署成本提供了有效控制手段，直接降低推理服务的算力开销。

1. "推理效率"成为第一优先级：从 MARS 的早停策略、ReSum 的自我摘要压缩、MiniMax Sparse Attention 的稀疏化，到 TWLA 的三值量化，几乎所有推理相关工作都在回答同一个问题——如何在保持精度的前提下大幅降低推理开销。这标志着推理模型从"能不能做"进入"做得起不起"阶段。

2. Agent 研究出现反思拐点：《The Illusion of Multi-Agent Advantage》直接质疑了 MAS 的成本效益，而 MDForge 等工作则展示了精心设计的单 Agent + 工具使用在科学发现上的强大潜力。社区正在从"堆叠更多 Agent"转向"每个 Agent 做对一件事"。

3. Agent 记忆管理成为独立研究热点：MemRefine、G-Long、Learning What to Remember 三篇论文从不同角度攻克 Agent 长期记忆的存储预算和检索质量问题，暗示下一代 Agent 的瓶颈不在推理能力而在"记什么、忘什么"。

4. AI 安全研究向多 Agent 和系统级演进：MAStrike 的 Shapley 值分析、StakeBench 的利益相关者视角、以及 LLM 自主渗透评估，表明安全研究已超越单模型对齐，开始关注由多个 AI 组件构成的复杂系统的攻击面。