PulseAugur
中
实时 09:16:33
实体 AIME 2026

AIME 2026

PulseAugur coverage of AIME 2026 — every cluster mentioning AIME 2026 across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
13
90 天内 21
发布 · 30天
0
90 天内 0
论文 · 30天
6
90 天内 10
层级分布 · 90 天
主题
关系
情绪 · 30 天

7 天有情绪数据

最近 · 第 1/2 页 · 共 21 条
  1. TOOL · CL_364201 ·

    Limite 1B - Violetto 模型发布,用于高吞吐量数学推理

    研究人员发布了 Limite 1B - Violetto,这是一个拥有十亿参数、专门为高吞吐量数学推理而设计的模型。该模型在包含 2370 亿个数学相关语料库的 token 上进行了训练,支持高达 131k token 的上下文长度。Limite 1B - Violetto 在 AIME 2026 和 BeyondAIME 等数学基准测试中取得了强劲表现,可与比其大得多的模型相媲美。该模型经过的指令微调较少,主要设计为单轮数学求解器和…

  2. TOOL · CL_362021 ·

    Bidraft 的 Darwin AI 在 12 项 Hugging Face 基准测试中领先,位居全球榜首

    韩国人工智能初创公司 Bidraft 分析了 Hugging Face 的 63 项官方基准测试,结果显示其 Darwin AI 模型在 12 个类别中排名第一。这一成就使 Bidraft 领先于 140 家参与组织,其中 Moonshot AI 和 Z.ai 分别位列第二和第三。分析强调了 Bidraft 在科学、数学、文档识别和法律等不同领域的强劲表现,其 Darwin-180B 模型在中国的一项 SuperCLUE 评估中也名列前茅。

  3. TOOL · CL_360324 ·

    研究论文质疑大型语言模型的基准污染测试

    一篇已被撤回的研究论文调查了用于检测大型语言模型基准污染的部分提示完成测试的有效性。研究发现,剩余提示的长度显著影响检测率,较短的剩余部分会更频繁地标记出污染。研究还强调了源自已被污染来源的蒸馏模型存在的问题,表明在测试方法中需要进行长度分层报告和跨家族校准。

  4. TOOL · CL_355489 ·

    开源AI模型Darwin-180B-RSI在推理测试中超越了更大的竞争对手

    韩国VIDRAFT开发的一个名为Darwin-180B-RSI的新开源AI模型,在SuperCLUE评估的数学和科学推理中取得了73.68分。这一成绩使其在总排名中位居第二,仅次于OpenAI的GPT-6.1-Sol,并且显著优于Moonshot AI的Kimi-K3.1-Pro等更大模型,后者尽管拥有2.8万亿参数,得分却只有63.16,而Darwin的参数量为1800亿。该模型的成功归功于两种关键技术:强度合并(strength …

  5. SIGNIFICANT · CL_341639 ·

    WebAI 发布 TwIL-8B 推理模型,在 MATH-500 基准测试中名列前茅

    WebAI 推出了 TwIL-8B,一个拥有 88 亿参数的推理模型,该模型基于 IBM 的 Granite 4.2 8B 构建。该模型在数学和编码任务方面表现出色,在 MATH-500 基准测试中取得了 98.2 分,并且设计用于在具有适度 VRAM 的 CPU 或 GPU 上进行高效推理。与类似模型相比,TwIL-8B 在推理 token 使用量方面也有所减少,尽管在基于知识的基准测试中表现稍逊。

  6. TOOL · CL_334700 ·

    Limite 1B Violetto 数学模型部署在 vLLM 上,内存上限影响并发而非速度

    Limite 1B Violetto 是一个 2.1 GB 的数学模型,在 AIME 2026 考试中达到了 94.01% 的准确率。来自 Paradigma 的研究人员从头开始训练了该模型,并根据 Apache 2.0 许可证发布了该模型,同时还发布了一个用于部署的 vLLM 插件。当部署在 RTX 4090 上时,无论内存利用率如何,该模型都表现出一致的性能,即使 GPU 内存上限显著降低,速度也保持稳定。关键的启示是,vLLM …

  7. TOOL · CL_324693 ·

    新的CIKA框架使用LLM来精确识别数学推理中的因果概念

    研究人员开发了CIKA,一个旨在通过识别对正确答案有因果作用的概念来增强大型语言模型(LLM)数学推理能力的新框架。与以往因问题难度等混淆因素而难以处理虚假关联的方法不同,CIKA利用LLM本身作为干预模拟器。通过提示LLM“掌握”特定概念,该框架估计了对正确性的因果效应,从而区分了因果相关的知识与不相关或混淆的知识。这种方法取得了显著的改进,在使用一个固定的7B参数LLM在Omni-MATH-Rule基准上达到了69.7%的准确率,…

  8. TOOL · CL_324514 ·

    新框架简化了数学问题的形式化证明生成

    研究人员开发了一个新颖的框架,用于在 Lean 4 等系统中生成形式化证明,该框架将候选答案选择和证明生成整合到一个单一过程中。这种联合方法旨在减少处理数学问题的多个潜在答案时的冗余计算。该框架在 MATH-500 和 AIME 等基准测试上,证明成功率与传统方法相当,同时显著降低了计算成本并识别了不准确的形式化语句。

  9. RESEARCH · CL_332892 ·

    新框架通过迭代优化和自我对抗提升多智能体系统训练

    两篇新研究论文介绍了用于训练多智能体系统(MAS)的新型框架,它们超越了简单的单次编排。MAS-Loop 专注于闭合编排器和优化器之间的反馈循环,利用执行轨迹诊断和修复故障,从而提高性能,并为 MAS 奖励建模提供了新数据集。R^2Orch 采用递归自我对抗,重点关注可学习的任务选择和技能撤回,使编排器能够在没有手工设计的课程的情况下进行训练,并在各种推理和交互任务上取得最先进的成果。

  10. FRONTIER RELEASE · CL_302148 ·

    Reflection AI 发布 501B 参数开源模型 Beam,目标是成本效益

    Reflection AI 发布了 Beam,这是一个开源的、稀疏的专家混合(MoE)模型,总参数量为 5010 亿,但每次任务仅激活 230 亿参数。该设计旨在提供大型模型的知识容量,同时具备小型模型的推理成本,使其在经济上可能更适合大规模代理部署。该模型以 Apache 2.0 许可发布,定位为中国模型之外的美国本土替代品,并旨在与 OpenAI 和 Anthropic 等现有公司竞争。

  11. COMMENTARY · CL_295104 ·

    AI性能声明需要外部验证,而非自我报告

    本文认为,AI性能声明应基于外部验证而非自我报告的指标进行评估。文章强调,当第三方进行难以记忆且跨越多个领域的测试时,才能真正展示性能。作者以他们在AIME 2026、HMMT、GPQA Diamond和Polaris等公开排行榜上的结果为例,证明了他们模型的强大能力,并声称外部验证比内部测试更具可信度。

  12. TOOL · CL_295105 ·

    模型级别的递归自我改进:在没有人类标签的情况下改变大型语言模型权重

    本文介绍了模型级别递归自我改进(RSI)的概念,并将其与其他形式的大型语言模型(LLM)进步区分开来。文章概述了自我改进的五个阶段,其中模型级别的RSI是第四阶段,模型在没有人类提供的标签的情况下增强自身的权重,而是依赖外部验证器。文章强调了严格测试方法的重要性,例如保持训练集和测试集不重叠以及使用配对比较,以确保真正的改进而不是虚假的收益。文章还指出,高效推理对于使RSI在经济上可行至关重要。

  13. TOOL · CL_279270 ·

    Hugging Face 将 48 个 AI 基准测试整合为交互式地图

    Hugging Face 推出了一个新的交互式地图,整合了其 48 个官方基准测试,全面概述了 AI 模型在各个领域的性能。该地图显示,虽然与代理相关的基准测试数量最多,但由于实际考虑,科学和知识基准测试吸引了最多的提交。参与度不均衡,少数关键基准测试主导着排行榜条目,并且有相当一部分提交来自中国。

  14. TOOL · CL_255981 ·

    7B模型ZGCM-1优先考虑工具使用和大型上下文,而非记忆

    来自中关村学院和中关村人工智能研究院的研究人员开发了ZGCM-1,一个拥有73.9亿参数的模型,该模型优先考虑工具使用和大型上下文窗口,而不是记忆海量数据集。这种方法允许较小的模型通过按需检索信息来执行复杂任务,而不是试图将其内部存储。ZGCM-1利用混合注意力机制和FP8 Muon优化器,在其256K上下文窗口内实现高效处理,在搜索和数学基准测试中表现出色,可与更大模型相媲美。

  15. COMMENTARY · CL_248095 ·

    GigaChat 3.5 推理基准测试声明因误导性效率指标而受到质疑

    对人工智能基准测试表的一项最新分析强调了性能声明呈现方式的差异,并以 GigaChat 3.5 Reasoning 模型和 DeepSeek V4 Flash Preview 为例。虽然 GigaChat 公布的基准测试数字是准确的,但其声称在使用少 37% 的 token 的情况下“媲美”DeepSeek V4 Flash 是具有误导性的。文章指出,GigaChat 在某些评估中获胜,但在其他评估中却显著落败,并且效率指标是基于一套…

  16. RESEARCH · CL_247850 ·

    AI模型通过形式化证明和新发现解决未解数学难题

    两篇新研究论文探讨了大型语言模型在高级数学推理和发现方面的能力。第一篇论文介绍了Magenta,一个将非正式的自然语言数学问题与Lean 4中形式化、机器可验证的证明联系起来的系统,在奥林匹克竞赛基准测试中取得了完美的准确率,并与K2-Horizon-7B配对解决了六个IMO 2026问题。第二篇论文提出了HorizonMath,一个旨在测试AI进行新颖发现能力的未解数学问题基准,其中GPT-5.4 Pro和GPT-5.6 Sol等模…

  17. TOOL · CL_211559 ·

    Qwen3.8-27B 以 FP8 在 AIME 2026 数学基准测试中获得 29/30 分

    对 Qwen3.8-27B 模型在 AIME 2026 数学数据集上的基准测试显示,其量化的 FP8 权重在设置为 xhigh 推理时,获得了 29/30 的分数。此性能在相同的 xhigh 推理设置下与 BF16 版本相当,但速度显著提高。FP8 xhigh 配置在速度更快的情况下,也达到了 BF16 medium 设置的分数。

  18. SIGNIFICANT · CL_182151 ·

    Google DeepMind 的 DiffusionGemma 通过离散扩散实现每秒 1500 个 token

    Google DeepMind 发布了 DiffusionGemma,这是一个开放权重的语言模型,它利用离散扩散进行文本生成,与传统的自回归模型相比,输出速度显著更快。虽然 DiffusionGemma 在单个 NVIDIA H100 上可以实现大约每秒 1500 个输出 token,但在能力基准测试上的得分低于其自回归对应模型 Gemma 4。这种在服务速度方面的创新对于需要低延迟和高吞吐量的代理系统尤其有益,预示着未来混合模型或智…

  19. TOOL · CL_111725 ·

    新方法使用错误草稿来提升LLM的数学能力

    研究人员开发了一种名为“通过不匹配的错误草稿进行弱到强诱导”的新颖技术,以提高大型语言模型的能力。该方法涉及使用来自较小的、特定领域的模型的数学上不正确的草稿来训练一个更大的模型,其性能优于标准的强化学习微调。该技术在MATH-500和分布外AIME 2025/2026基准测试中显示出显著的提升,为Mathstral-7B模型实现了新的最先进水平。

  20. RESEARCH · CL_107855 ·

    研究发现,仅凭两个因素即可预测AI基准分数

    一篇新研究论文提出了一种名为BenchPress的方法,该方法仅使用两个关键分数即可预测前沿模型在众多基准测试中的表现。该研究分析了84个模型和133个基准测试,发现模型的整体表现主要由两个潜在因素决定。这种方法可以显著减少所需的评估次数,表明仅使用五个基准测试的子集就可以高精度地预测模型的完整评分卡。