reasoning — AI Digest

28 июн OpenAI представляет семейство GPT-5.6: Sol, Terra и Luna — ограниченный выпуск только для одобренных правительством организаций OpenAI models-llm
7 июл Tencent официально выпускает Hunyuan Hy3: 295B MoE-модель с агентными и рассуждательными возможностями Tencent models-llm
9 июл OpenAI GPT-5.6 Sol, Terra и Luna вышли в публичный доступ после государственной проверки OpenAI models-llm
11 июл OpenAI выпускает семейство GPT-5.6: Sol, Terra и Luna OpenAI models-llm
17 июн VibeThinker-3B достигает показателей frontier-уровня на бенчмарках рассуждений через curriculum RL WeiboAI research
2 июл Orca: общая фундаментальная модель мира от BAAI, обученная на 125K часов видео BAAI research
9 июл Tencent выпускает Hunyuan Hy3: открытая MoE-модель на 295B параметров под лицензией Apache 2.0 Tencent models-llm
11 июл Tencent выпускает Hunyuan Hy3: открытая MoE-модель на 295B под Apache 2.0 Tencent models-llm
16 июл Thinking Machines Lab выпустила Inkling: мультимодальную MoE-модель на 975 млрд параметров с открытыми весами Thinking Machines Lab models-llm
19 авг StateM: масштабирование harness поднимает GPT-5.6 Sol до 95,3% на Terminal-Bench 2.1, и тот же harness адаптируется к DeepSeek-V4 Flash при общих затратах $15 research
30 апр Recursive Multi-Agent Systems: общение агентов в latent space Stanford University research
9 мая Zyphra выпускает ZAYA1-8B: открытая рассуждающая MoE-модель, обученная на оборудовании AMD Zyphra models-llm
10 мая AI Co-Mathematician от Google DeepMind достигает 48% на FrontierMath Tier 4 Google DeepMind research
13 мая RubricEM: мета-RL с декомпозицией политики под руководством рубрик за пределами верифицируемых наград Google research
15 мая SU-01: рассуждения на уровне золотой медали олимпиады через curriculum SFT и двухэтапный RL SU-01 Team research
18 мая SOOHAK: фронтирные LLM решают сложную математику, но не распознают неразрешимые задачи research
20 мая Code as Agent Harness: Survey Positions Code as the Substrate for Executable Agent Systems (159 HF upvotes) Multi-institution (42 authors) research
20 мая SkillsVote: Lifecycle Governance of Agent Skills — Collection, Recommendation, Evolution (219 HF upvotes) Memtensor Research Group / IAAR-Shanghai research
18 июн Grok 4.3 доступен на Amazon Bedrock с контекстным окном 1 млн токенов xAI models-llm
26 июн Qwen-AgentWorld: языковые мировые модели для универсальных агентов на 35B и 397B параметров Qwen Team, Alibaba research
2 июл ByteDance публикует карточку модели Seed2.0 ByteDance research
3 июл DeepSeek подтверждает официальный выпуск V4 в середине июля и вводит пиковое ценообразование API DeepSeek models-llm
7 июл Мираж оптимизации политик обучения: монотонные политики инференса как реальная цель для RL языковых моделей Tianjin University / Alibaba research
27 июл AREX: на пути к рекурсивно самосовершенствующемуся агенту для глубокого исследования research
3 авг Следующая модель OpenAI Astra решила десять открытых проблем в математике и теоретической информатике OpenAI research
12 авг Исследовательская модель Claude повышает нижнюю оценку нулей дзета-функции Римана с 41,6% до 67,2% Anthropic research
11 сен Сбер выпускает GigaChat 3.5 Reasoning — первая российская reasoning-модель с открытыми весами Sber models-llm
14 сен Recurrent Looped Transformer: вирусный технический отчёт заявляет «бесконечную временную глубину» для латентного ризонинга Princeton University research
15 сен DataFlex-RL: оценочная платформа показала, что политики отбора данных для RLVR не превосходят равномерный сэмплинг Peking University research
28 сен Fireworks Research выпускает Ember-1 — экономную по токенам reasoning-модель на базе Kimi K3 Fireworks models-llm
18 мая RoPE доказуемо не справляется с длинными контекстами: locality bias и согласованность токенов нарушаются research
10 июн DRPO: переосмысление дивергентной регуляризации в обучении с подкреплением для LLM Tencent Hunyuan research
14 июн MaxProof: модель MiniMax превышает пороги золотых медалей IMO и USAMO в формальной математике MiniMax research
4 июл Mistral выпускает Leanstral 1.5: открытая модель формальной верификации для Lean 4 Mistral research
8 июл LLM-as-a-Verifier: верификация как независимая ось масштабирования для LLM Stanford University / UC Berkeley / NVIDIA research
16 июл Ring-Zero: масштабирование Zero RL до триллиона параметров с возникающими паттернами рассуждения Ant Group research
29 июл Технический отчёт Kimi K3: подробности об архитектуре Kimi Delta Attention и Stable LatentMoE Moonshot AI research
12 авг BDH-CQ: рекуррентная модель латентного рассуждения преодолевает границу эффективности затрат на ARC-AGI-1 Pathway research
27 авг IBM выпускает reasoning-LLM Granite 4.2 (3B/8B/30B, Apache 2.0, контекст 512K), обученные на ~15T токенов с GRPO RL на GB200 NVL72 IBM models-llm
5 сен Random Attention: переосмысление вытеснения KV-кэша для эффективного рассуждения Salesforce AI Research research
13 сен NVIDIA открыла рецепт золотого уровня IMO с пайплайном Nemotron на естественном языке NVIDIA research
16 сен ZGCM-1: полностью открытая и крайне эффективная 7B-модель для математики и агентного поиска ZGCAGI research
24 сен The Tasteful Agent: измерение «вкуса» в задачах длинного горизонта Microsoft research
23 окт PAR: Progress-Aligned Recurrence for Length Generalization in State Tracking research
6 мая Ctx2Skill: фреймворк самосовершенствования для автономного обнаружения навыков из контекста в LLM research
8 мая AI Co-Mathematician: Google DeepMind достигает 48% на FrontierMath Tier 4 Google DeepMind research
16 мая SDAR: агентное обучение с подкреплением через самодистилляцию для многоходовых агентов Zhejiang University / Meituan research
19 мая MMSkills: переиспользуемые мультимодальные скиллы для универсальных визуальных агентов (105 апвоутов на HF) Shanghai Jiao Tong University research
2 июн GrepSeek: обучение поисковых агентов для прямого взаимодействия с корпусом через команды оболочки (93 апвоута на HF) University of Massachusetts Amherst research
4 июн ThoughtFold: интроспективное обучение предпочтениям сокращает токены рассуждения на 56% без потери точности research
6 июн Детерминированный горизонт: теоретико-информационное доказательство ограничений расширенного CoT и необходимости использования инструментов research
6 июн Иллюзия самокоррекции: LLM исправляют чужие ошибки, но не свои — причина в ролевых метках research
8 июн GitHub Copilot получает контекстное окно в 1M токенов и настраиваемые уровни рассуждений GitHub / Microsoft tools
8 июн Агентные трансформеры доказуемо обучаются поиску в глубину через обучение с подкреплением Carnegie Mellon University / Ohio State University research
11 июн Arbor: автономное ML-исследование через уточнение дерева гипотез NLPIR Lab research
11 июн DeNovoSWE: генерация полного репозитория с нуля — рост с 5.8% до 47.2% на синтетических обучающих данных AweAI Team research
11 июн Z-Reward: распределения оценок вместо скалярных наград для RLHF в генерации изображений Alibaba research
25 июн Квантизированные модели рассуждения думают, что им нужно думать дольше, — но это не так Meta research
26 июн Детерминированный горизонт: когда расширенное рассуждение даёт сбой и необходима делегация инструментам research
29 июн OPID: дистилляция навыков на собственной политике улучшает RL агентов с длинным горизонтом Institute of Automation, Chinese Academy of Sciences research
7 июл CompactionRL: обучение с подкреплением с компакцией контекста для long-horizon-агентов Zhipu AI / Tsinghua University research
11 июл Обзор LLM-систем в формальной математике: где современные системы отстают UCLA research
17 июл SearchOS-V1: к устойчивой коллаборации агентов открытого поиска информации Ant Group / Renmin University research
17 июл SEED: самоэволюционирующая on-policy дистилляция для агентного обучения с подкреплением research
22 июл TimeLens2: универсальное временное позиционирование в видео с мультимодальными LLM MCG-NJU (Nanjing University) research
23 июл SLAI T-Rex: полнопараметрическое пост-обучение семейства DeepSeek-V4 на Ascend SuperPOD SLAI research
23 июл Beyond Euclidean Clipping: преодоление коллапса исследования в LLM RL через риманову изометрическую оптимизацию политики research
2 авг Frontis-MA1: обучение модели AI4AI для рекурсивного самоулучшения в машинном обучении Horizon Research, Frontis.AI, Tsinghua University research
5 авг DAPD: Dual-Anchored Policy Distillation research
6 авг AURORA-LM: автокодирующее унифицированное представление для языкового моделирования на непрерывной латентной диффузии Nanjing University research
9 авг LongHorizon-Harness предлагает цикл Manage-Execute-Audit для долгосрочных агентов research
10 авг AgentOPSD: рекурсивная самодистилляция для агентного обучения с подкреплением Tsinghua University research
13 авг On-Policy Self-Distillation without Any Supervision research
14 авг Intern-S2-Preview: Scientific Agentic Foundation Model Shanghai AI Lab research
29 авг TTPO: оптимизация политики на этапе теста Zhejiang University research
5 сен Читаемость — не интерпретируемость: оценённая против реальной важности шагов в chain-of-thought research
8 сен Bilevel Coordinated Reflection: теоретико-игровой подход к multi-agent LLM-системам research
23 сен RRSI: регуляризованное рекурсивное самоулучшение агентных каркасов Google Research research
25 сен X-Planner: событийно-структурированное планирование задач для embodied-интеллекта X-Square Robot research
17 окт Waypoint-OPD: перенос RL-индуцированных сдвигов политики через gated on-policy distillation research
2 мая ESamp: LLM исследуют через latent distilling для семплирования по семантической новизне ShanghaiTech University research
5 мая Odysseus: обучение VLM для интерактивного принятия решений на 100+ ходов с помощью RL Princeton University research
11 мая Soohak: 64 математика создали исследовательский бенчмарк, который ставит frontier LLM в тупик Seoul National University research
11 мая AutoTTS: LLM-агенты автоматически открывают стратегии test-time scaling за $40 research
3 июн TrOPD: Trust-Region On-Policy Distillation Stabilizes LLM Training When Teacher-Student Gap Is Large Samsung Research research
3 июн Do Language Models Need Sleep? Offline Recurrence as Memory Consolidation for Improved Inference Google / CMU research
12 июн InterleaveThinker: RL-фреймворк для агентной генерации чередующегося текста и изображений research
12 июн Astra: VLM с RL-обучением запрашивает симулятор мира для пространственных рассуждений research
10 июл Ideas Have Genomes: фронтирные LLM набирают лишь 27% на бенчмарке рассуждений о научных родословных Shanghai Jiao Tong University research
30 июл Передай эстафету: эстафетная on-policy дистилляция траекторий Zhejiang University research
17 авг Intern-S2-Mobius: фундаментальная модель с разделёнными знаниями и рассуждением Shanghai AI Lab research
6 мая HeavySkill: интернализация «тяжёлого мышления» как обучаемого агентного навыка через RL research
7 мая LongSeeker: эластичная оркестрация контекста для агентов долгосрочного поиска Shanghai Jiao Tong University research
7 мая Исполняемые мировые модели для ARC-AGI-3: подход агента программирования без игровой специфики research
12 мая NanoResearch: совместная эволюция навыков, памяти и политики для персонализированной AI-автоматизации исследований Shanghai AI Lab research
12 мая TMAS: масштабирование тестового вычисления через синергию мультиагентов с иерархической памятью research
13 мая Learning, Fast and Slow: двойная весовая архитектура для непрерывной адаптации LLM research
18 мая BetaPRM: process rewards с учётом неопределённости сокращают расход reasoning-токенов на 33% research
19 мая NudgeRL: стратегические контекстные подсказки для эффективного исследования в RLVR KAIST AI research
3 июн QUBRIC: Co-Designing Queries and Rubrics Extends RLVR to Open-Ended Reasoning Domains research
3 июн Quantifying Faithful Confidence Expression in Large Reasoning Models Yale NLP research
8 июн SubtleMemory: бенчмарк выявляет систематические провалы агентов в тонком реляционном запоминании research
8 июн VideoKR: обучающий корпус из 315K примеров для знание- и рассуждение-интенсивного понимания видео Yale University research
9 июн Слабые критики создают сильных учеников: On-Policy Critique Distillation для масштабируемого надзора Rutgers University research
10 июн SearchSwarm: обучаемое делегирование для LLM-агентов в долгосрочных исследовательских задачах research
16 июн Память реконструируется, а не извлекается: графовая память улучшает запоминание у LLM-агентов на 23% National University of Singapore research
17 июн ZPPO: дистилляция знаний через учителя-в-промптах превосходит градиентные методы для малых моделей рассуждений NVIDIA research
18 июн Diffusion-Proof: формальное доказательство теорем с помощью диффузионных языковых моделей research
18 июн DreamReasoner-8B: блоковый размерный curriculum для диффузионных reasoning-моделей research
22 июн S-Agent: пространственное использование инструментов активирует пространственный интеллект в VLM Nanyang Technological University research
23 июн Агентные трансформеры доказуемо обучаются поиску через обучение с подкреплением research
26 июн Плотного надзора недостаточно: слепое пятно считывания в зациклённых языковых моделях research
26 июн OPRD: дистилляция представлений на политике для пост-обучения LLM research
30 июн Формализация латентных мыслей: аксиоматический фреймворк для оценки репрезентаций рассуждений LLM University of British Columbia research
2 июл OpenCode v1.17.13: исправления режима рассуждений и поиск в выборе модели SST tools
4 июл Улучшит ли масштабирование социальное моделирование с LLM? Исследование 85 моделей Stanford / Columbia / Tsinghua research
4 июл VRRL: визуально заземлённая саморефлексия для моделей зрение-язык через RL UT Austin / Cornell research
7 июл Обобщение от слабого к сильному через прямую on-policy дистилляцию ByteDance / Tsinghua University research
9 июл RL-дообучение активно формирует стратегии композиционного рассуждения, а не просто усиливает базовые навыки research
14 июл OpenCode 1.17.19–1.17.20: режим pro reasoning для OpenAI и выбор модели на уровне промпта SST tools
14 июл AdvancedMathBench: набор бенчмарков для генерации и верификации математических доказательств InternLM research
14 июл Метапознание в больших языковых моделях: основы, прогресс и возможности — обзор Yale NLP Yale NLP Lab research
18 июл LongStraw: RL с длинным контекстом свыше 2М токенов при фиксированном GPU-бюджете Mind Lab research
18 июл Ring-Zero: масштабирование zero RL до триллиона параметров для возникающего рассуждения inclusionAI research
21 июл Понимание рассуждения: от предобучения к пост-обучению research
21 июл Recursive Harness Self-Improvement (RHI): доработка агентных «обвязок» по обратной связи от выполнения Sakana AI research
26 июл LLM теряются при изменении намерений пользователя Microsoft Research research
29 июл Skill Self-Play: расширение границ возможностей LLM с помощью совместно эволюционирующих навыков Alibaba research
3 авг От RLVR к RLSVR: преобразование задач порождает самопроверяемые вознаграждения для самосовершенствования LLM в открытых доменах research
6 авг GradCuit: градиентный поток с распределением ответственности обеспечивает устойчивое и интерпретируемое рассуждение в латентном пространстве во время инференса research
8 авг AgentOPSD: рекурсивная самодистилляция для агентного обучения с подкреплением research
13 авг Кража трасс рассуждений из проприетарных LLM API research
14 авг AutoDesign: Meta-Harness Optimization for Long-Horizon Agentic Design Meituan research
20 авг Co-RL: unsupervised reasoning возникает из разнообразной когорты в multi-agent RL UC San Diego (Yunhao Yang, Nuno Vasconcelos, Yijiang Li et al.) research
26 авг Groq Python SDK v1.7.0 — гайданс по Qwen3.8 reasoning, обновление lockfile зависимостей по уязвимостям Groq tools
29 авг Understanding Evolution Strategies для рассуждений LLM: более широкое покрытие рассуждений, чем у GRPO research
1 сен Действительно ли on-policy дистилляция дистиллирует? Безучительская OPSA обгоняет её на AIME24 Purdue University research
1 сен Обзор: масштабирование reasoning-моделей за пределами человеческой супервизии по пятиуровневой лестнице автономии research
6 сен Rethinking On-Policy Distillation of LLMs II: почти полные выгоды с одного тренировочного примера research
8 сен Beneath the Surface of Chains-of-Thought: механистическая интерпретация операций рассуждения в LLM NAVER AI Lab research
9 сен FlowBalance: самосовершенствование reasoning-моделей с опорой на верификатор research
17 сен StepAudio 3 Realtime: аудио-языковая модель с рассуждением «думай, пока говоришь» и асинхронными вызовами инструментов StepFun research
21 сен When EOS Tokens Disagree: Understanding Length Inflation in On-Policy Distillation research
25 сен SpeakerMem-R1: центрированная на спикерах двухтрековая память для многосторонних диалогов Zhejiang University research