本期概览

此前 MiMo-7B、DeepSeek-V3、Qwen3 等公开 MTP 方案都在数万亿 token 的完整预训练中联合训练草稿头，草稿质量被锁定在预训练阶段。该工作显示冻结模型仅需极少量后训练即可追平，改变了对 MTP 训练成本与介入时机的既有假设。

此前 LLM 在多步逻辑推理中常产生幻觉，缺乏可靠规则执行能力。Euclid-MCP 提供标准化接口，将确定性符号推理与 LLM 的自然语言能力结合，填补了安全关键领域缺乏可靠推理基座的空白。

此前对抗性游戏多依赖启发式搜索与强化学习，策略迁移和少样本适应困难。该工作把 agent 定位为策略修订引擎而非权重训练对象，并给出可复现的竞赛式评测，使“agent 能否自主改进策略”从概念讨论变成可比较的基准结果。

此前 MESC 系统受限于语义反馈弱、跨维度奖励相互补偿和推理监督粗糙，回复往往流于表面且支持策略失当。FACES 的改变在于把奖励信号从单一分数拆成多维对齐，并以门控方式阻止维度间相互抵消，同时把监督细化到 token 级，使情感支持策略的优化目标更可控。

此前材料生成主要依赖 flow 与 diffusion 模型，瓶颈在于候选材料采样成本高。该工作把采样成本降低约一个数量级，同时保持接近当前最优的基准表现，意味着材料筛选流程的吞吐量可能不再受限于单次生成开销。

此前对 LLM 的网络安全评估多聚焦知识问答或端到端智能体任务，并未直接测量模型为真实安全工具生成可执行命令的能力。KaliBench 把评测粒度细化到工具选择与参数构造，并给出可复现的确定性评分，使命令行层面的细微语法与参数错误能够被量化。

现有调度器在多阶段工作流中往往只优化局部前缀局部性或整体进度，导致任务级完成时间延长。TOPAS首次联合优化前缀缓存保留和请求调度，通过任务级老化机制防止饥饿，在真实软件工作流中显著降低平均和尾延迟，为多智能体LLM服务的效率提升提供了新思路。

此前在策略蒸馏依赖学生自身轨迹上的密集 token 监督，一旦学生与教师分歧过大或长程任务误差累积，监督信号会失真。DTDD 把分歧本身变成干预条件，并区分前缀监督与接管后恢复段的学习方式，使训练稳定性与样本效率同时改善，且无需离线 SFT 即可从基座起步。

此前主流免训练剪枝把校准与推理视为同一分布，未区分 prefill 与解码，也较少针对解码主导的 SpMV 做内核优化。该工作把校准数据来源改为生成阶段激活，并配套稀疏向量内核，使剪枝目标与真实解码路径对齐，指向更准确的剪枝模型与更低的解码延迟。

此前研究未清晰区分多智能体通信带来的收益与错误消息造成的损害。该研究通过受控实验把两者分离，并给出错误消息导致正确率下降的量化比例，使选择性通信而非全量广播成为值得关注的设计方向。

此前对 LLM 推理的评估多集中在单轮或短链条任务，该工作把长程交互、跨步证据整合与约束更新放在同一可重复环境中考察，并把部分记忆与约束管理从模型内部转移到外部结构化表示，为比较推理增强手段提供了新的实验框架。

相较此前版本，本届新增了两条基于城市尺度步行游览视频的赛道，把评测从原有视频问答扩展到 KilometerAudio 与 KilometerVision 这类更长、更贴近真实场景的视听推理任务，并首次在总结中对比通用模型与专用方案的差距。