Ataraxos AI 以低成本击败史上最强 Stratego 玩家
来自卡内基梅隆大学、MIT、纽约大学和斯坦福大学的研究团队开发了名为 Ataraxos 的 AI，在 Stratego 游戏中以 15 胜 1 负 4 平的成绩击败了公认的最强人类玩家 Pim Niemeijer。该模型仅使用 16 个 GPU 和数千美元的训练成本即实现了这一突破，解决了此前 DeepMind 等高预算机构未能攻克的难题。
#推理
#推理
今日 1 条Ars Technica · AIAI 评分5858
The Decoder精选AI 评分7878 Ataraxos AI 击败 Stratego 历史最佳选手 Niemeijer，终结人类最后堡垒之一
新系统 Ataraxos 在 Stratego 游戏中击败了被认为是历史上最伟大玩家的 Jeroen Niemeijer，有效胜率达到 85%。该研究指出，Ataraxos 仅使用约 8000 美元的算力成本（16 块 Nvidia H100 GPU 运行一周加 4 块 GPU 四天），远低于此前 DeepMind 的 DeepNash 系统所需的数百万美元。
推荐理由：原文详细对比了 Ataraxos 与 DeepNash 在算力成本上的巨大差异，并展示了其在 Stratego 中击败人类顶尖选手的具体数据。
Import AIAI 评分3737 Import AI 469：DiG-bench 评测、RSI 模拟器与扎克伯格技术悲观主义
DiG-bench 显示 Opus 5 和 Fable 5 在 Tier 7 任务中表现最佳，但当前前沿模型仍难超越人类。Paradigm Research 推出 RSI Simulator 以模拟递归自我改进过程。Inherent 发布开源权重模型 Faraday，旨在通过监督前沿模型展现科研品味。
Google Research精选AI 评分6060 Google Research 提出知识画像框架：检索是参数化事实性的瓶颈
Google Research 引入“知识画像”行为框架和 WikiProfile 基准，区分大语言模型中的事实编码与检索能力。研究发现 Gemini-3-Pro 和 GPT-5 等前沿模型的事实编码率高达 95–98%，但仍有 26–34% 的已编码事实无法直接检索，表明事实性错误的瓶颈已从知识获取转向知识利用。
推荐理由：原文提出知识画像框架并构建 WikiProfile 基准，揭示前沿模型事实性错误主要源于检索失败而非编码缺失，为优化模型知识利用率提供新视角。
Hugging Face BlogAI 评分5959 IBM Research提出ALTK-Evolve：以更低Token成本实现智能体经验学习
IBM Research发布ALTK-Evolve方法，旨在解决LLM智能体从自身轨迹中学习时的高Token开销问题。与ACE系统每次注入完整Playbook不同，ALTK-Evolve采用按需检索策略，仅向模型提供其能处理的高支持度指南子集。
Google Research精选AI 评分6565 Google Research 提出 Science One Framework：通过 Chain-of-Evidence 实现可验证的自主科研
Google Research 发布论文提出 Chain-of-Evidence (CoE) 框架及 Science One Framework 原型，旨在解决 AI 自主科研中的可验证性问题。该框架通过构建原生证据链，实现了零幻影引用和完全可验证的评分，同时在 MLE-Bench 和 Parameter-Golf 等前沿基准测试中达到 SOTA 性能。
推荐理由：原文提出了基于证据链的可验证性框架，展示了在消除幻觉引用同时保持前沿基准性能的方法。
Berkeley AI Research精选AI 评分6262 Berkeley AI Research 提出 K-Search MLX 后端实现 CUDA 到 Apple Silicon 的内核优化迁移
Berkeley AI Research 与 IBM Research 合作扩展了 K-Search 框架，新增 MLX 后端以自动将 CUDA 内核优化知识迁移至 Apple Silicon。
推荐理由：原文展示了通过结构化翻译层将 CUDA 内核知识迁移至 Apple Silicon 的方法，并给出了在 Attention 和 Mamba SSM 内核上的具体性能提升数据。
Google ResearchAI 评分4444 研究揭示推理机制如何解锁 LLM 参数化知识
Gemini-2.5 和 Qwen3-32B 在简单事实问答中启用推理可显著提升答案召回率。该现象由计算缓冲效应与事实启动机制共同驱动，前者通过增加生成 token 提供额外计算时间，后者利用相关事实作为语义桥梁辅助检索。
Berkeley AI ResearchAI 评分5353 Berkeley AI Research 综述自适应并行推理：大模型如何自主决定何时并行及协调线程
Berkeley AI Research 发布关于自适应并行推理（APR）的综述，探讨大语言模型如何在推理时自主决定任务分解、并行线程数量及协调方式。
Google ResearchAI 评分4242 Google Research 教 LLM 进行贝叶斯推理
Google Research 提出“贝叶斯教学”框架，通过监督微调使大语言模型模仿贝叶斯模型的最优概率更新策略。该方法显著提升了LLM在个性化推荐任务中的表现，并证明其能将学到的推理技能泛化至其他领域，克服了默认启发式算法的局限。
Hugging Face BlogAI 评分4040 Hugging Face 推出 TextQuests：评估 LLM 在文本冒险游戏中的智能体能力
Hugging Face 发布基于 25 款 Infocom 经典游戏的 TextQuests 基准，测试 LLM 作为自主智能体的长上下文推理与探索学习能力。评测显示，当上下文超过 100K tokens 时，前沿模型常出现幻觉、动作重复及空间导航失败（如 Zork I 迷宫），难以有效构建心理地图。
Hugging Face BlogAI 评分3333 Hugging Face 上线 NPHardEval 排行榜：基于复杂度类评估 LLM 推理能力
Hugging Face 推出 NPHardEval 排行榜，利用密歇根大学等研发的基准测试大语言模型推理能力。该基准包含900道算法题，涵盖P、NP-complete及NP-hard复杂度类，并每月动态更新以防止过拟合。实验显示GPT 4 Turbo整体表现最佳，Claude 2在NP-complete问题上领先，Yi-34b等开源模型亦具竞争力。