HMMT
PulseAugur coverage of HMMT — every cluster mentioning HMMT across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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 …
-
Darwin-180B-RSI：1800亿参数模型领跑开源LLM排行榜
Vidraft Lab推出的开源大语言模型Darwin-180B-RSI在SuperCLUE十一月数学和科学推理评估中，位列开源模型第一名，综合排名第二。该模型拥有1800亿参数，在数学和科学推理方面得分比2.8万亿参数的Kimi-K3.1-Pro高出10多分，而模型规模仅为其约1/16。该模型的效率和更小的体积预示着其在成本效益企业级AI解决方案和设备端应用方面的潜力，有望减少对外国硬件和云基础设施的依赖。
-
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。
-
新的AI自蒸馏方法可提高推理能力并减少幻觉
研究人员开发了一种名为“引导教师的策略内自蒸馏”（ST-OPSD）的新方法，以提高AI模型的推理能力。该技术解决了自蒸馏过程中可能出现的诸如幻觉引用和抑制自我纠正等问题。通过使用激活引导，ST-OPSD能够指导教师模型为学生模型提供更准确可靠的监督，而不会直接影响学生模型的学习过程。在数学推理数据集上的实验表明，ST-OPSD提高了准确性并减少了不良行为。
-
新的CHIMERA数据集提升了大模型在科学领域的推理能力
研究人员开发了CHIMERA，这是一个包含9000个样本的合成数据集，旨在增强大语言模型（LLMs）在各个科学领域的推理能力。该数据集通过提供合成的、长链式思维轨迹、超越数学的广泛领域覆盖以及无需人工标注的自动化评估流程，解决了大模型训练中的挑战。使用CHIMERA微调的Qwen3模型在GPQA-Diamond和AIME等基准测试中表现出竞争力，可与更大的模型相媲美。
-
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。
-
研究发现AI模型的数学推理受令牌限制影响
一篇新的研究论文探讨了令牌上限对AI模型数学推理的影响。研究发现，在4k令牌上限下，不同的停止规则（严格与建议）会导致准确性收益不同，建议式停止有时可以通过将弃权替换为正确答案来提高准确性。基于实际成本的比较显示，在某些情况下，建议式4k可能优于严格8k，但并未确立整体优势。研究还表明，增加候选覆盖率并不总是能保证更高的准确性，因为一个选择器在覆盖率增加的同时准确性却下降了。
-
VIDRAFT 的 Darwin-180B-RSI 模型在 5 个排行榜上名列前茅，取得满分
VIDRAFT 发布了其 Darwin-180B-RSI 模型，这是一个拥有 1800 亿参数的推理模型，在五个 Hugging Face 排行榜上均名列前茅。该模型在 AIME 和 HMMT 基准测试中取得了满分，标志着一个重要的里程碑。它采用了选择性模型合并、递归自我改进和零标记置信度等专有技术，以增强其在复杂的 STEM 相关推理任务中的能力。
-
新方法提高了大型语言模型的知识迁移效率
研究人员开发了一种名为选择性监督直接OPD（S^2D-OPD）的新方法，以提高大型语言模型中知识迁移的效率。该技术解决了原始直接OPD方法的局限性，该方法即使在候选词元概率质量下降时也会分配监督。S^2D-OPD优先关注教师模型和参考模型之间发散度较高的状态，仅保留前10%的状态。跨不同模型大小和基准的实验表明，S^2D-OPD相比密集直接OPD始终提高了未见数据的准确性。
-
KVpop 方法在保持性能的同时大幅减少了 LLM 缓存内存使用量
研究人员开发了 KVpop，一种用于压缩自回归解码中键值缓存的新颖方法，这是大上下文窗口的一个重要瓶颈。KVpop 通过使用未来注意力目标直接监督保留或丢弃决策来学习驱逐策略，在保持高性能的同时实现了显著的内存节省。该方法在 Qwen3-4B 和 Qwen3-8B 等模型的数学推理任务上取得了强劲成果，优于现有的驱逐基线，并显著降低了内存成本。
-
新框架使大型语言模型能够在推理过程中共享见解
研究人员推出了一种新颖的、无需训练的协作并行思维（CPT）框架，旨在提高大型语言模型测试时扩展（TTS）的效率。CPT通过实现不同分支之间的搜索时信息共享，解决了并行TTS方法中冗余探索的问题。这使得各分支能够重用他人已有的发现，而不是重新发现相同的信息，从而在HMMT和AIME等基准测试中改善了准确性-延迟权衡。
-
研究发现 MoE 模型在复杂推理任务上错误路由 token
研究人员发现混合专家（MoE）语言模型中存在一个重大问题，即路由机制（将 token 指向特定专家）经常选择次优路径。虽然标准路由器在置信度高的 token 上表现良好，但在复杂推理任务上却无法识别出性能更好的路径。这种错误路由存在于包括 Qwen3、GPT-OSS、DeepSeek-V2 和 OLMoE 在内的几款主流 MoE 模型中。研究表明，即使对路由器进行微小的更新，而不改变专家本身，也能提高在具有挑战性的数学和推理基准测试上…