Google Research 在 Nature 发表论文：强化学习让量子计算机从错误中学习
Google Research 在 Nature 发表论文，提出用强化学习框架让自主智能体从量子错误检测中持续学习，动态调控数千个控制参数，在计算过程中稳定量子系统对抗漂移。在 Willow 处理器上，该方法将逻辑稳定性提升 3.5 倍，并在专家校准后进一步将逻辑错误率降低 20%。
推荐理由：原文展示了强化学习如何让量子计算机在运行中持续校准，读者可借此理解机器学习在量子纠错中的新角色。
推理能力
全部主题模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。
最新精选
第 21–34 条 · 共 35 条Google Research精选AI 评分6060
Hugging Face Blog精选AI 评分6262 PyTorch 性能剖析系列第三篇：用 profiler 逐层拆解注意力实现的性能差异
Hugging Face 发布 PyTorch 性能剖析系列第三篇，用 profiler 对比朴素注意力、原地掩码、SDPA 的 math、efficient、flash 和 cuDNN 后端。
推荐理由：用可复现脚本逐层对比注意力各实现的 profiler 足迹，能帮读者建立先猜测再验证的调优习惯。
Mistral AI精选AI 评分8282 Mistral 发布 Leanstral 1.5，6B 激活参数开源模型在形式化验证上刷新多项基准
Mistral 发布 Leanstral 1.5，一款 Apache-2.0 许可、总参数 119B 但仅 6B 激活的开源模型，在 miniF2F 上达到 100%，解决 PutnamBench 587/672 题，并在 FATE-H（87%）和 FATE-X（34%）上取得新 SOTA。
推荐理由：原文给出了基准成绩、成本对比和真实代码库找 bug 的案例，读者可据此判断它在形式化验证上的实用程度。
Google Research精选AI 评分6060 Google Research 用冻结多 token 预测加速 Pixel 上的 Gemini Nano 模型
Google Research 宣布一种新架构，将多 token 预测（MTP）头附加到冻结的 Gemini Nano v3 模型上，以加速 Pixel 9 和 10 系列上的端侧推理。相比独立草稿模型，MTP 在 Pixel 9 上带来 50% 或以上的速度提升，并节省约 130MB 内存，同时保持输出与主模型逐位一致。该方案已用于 AI 通知摘要和校对等功能，减少能耗并提升电池续航。
推荐理由：原文给出冻结骨干加 MTP 头的端侧加速方案，读者可据此判断其相对独立草稿模型的效率优势。
Google Research精选AI 评分6060 Google Research 揭示推理如何解锁 LLM 参数化知识
Google Research 在 COLM 2026 发表的论文中，通过受控实验证明允许模型生成推理轨迹能解锁原本无法获取的正确事实答案。研究识别出计算缓冲和事实启动两种互补机制，并发现推理轨迹中若含单个幻觉中间事实会显著降低最终答案正确率。基于此，研究提出在测试时优先保留无幻觉事实的推理轨迹可提升准确率，并建议训练时用过程奖励鼓励事实支持的中间步骤。
推荐理由：原文用受控实验拆解了推理为何能解锁参数化知识，并给出可落地的训练优化方向。
Google DeepMind精选AI 评分7979 Google DeepMind 发布开源扩散模型 DiffusionGemma，推理速度最高提升 4 倍
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散技术并行生成整块文本，在专用 GPU 上推理速度最高提升 4 倍，单张 NVIDIA H100 上每秒可生成 1000+ token。该 26B MoE 模型推理时仅激活 3.8B 参数，量化后适配 18GB 显存，面向内联编辑、代码填充等速度敏感的本地交互场景，但整体输出质量低于标准 Gemma 4。
推荐理由：原文给出了速度提升、硬件门槛和适用场景，读者可据此判断它适合哪些本地交互工作流。
Google DeepMind精选AI 评分6262 Co-Scientist 助力发现肝纤维化重定位药物
斯坦福大学遗传学家 Gary Peltz 使用 Google DeepMind 的 Co-Scientist 从现有药物文献中筛选肝纤维化候选药物，在活体人类肝细胞测试中，Co-Scientist 选出的三种候选药有两种能阻断纤维化并促进肝细胞再生，其中抗癌药 vorinostat 阻断了 91% 的损伤反应，而 Peltz 自行挑选的两种药物均未见效果。
推荐理由：原文呈现了AI智能体在药物重定位中的具体实验结果，读者可据此评估其在该领域的实际价值。
Berkeley AI Research精选AI 评分6262 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布综述，系统梳理自适应并行推理（APR）范式：让模型自行决定何时并行、开多少线程及如何协调，以缓解顺序推理在上下文长度、延迟和计算上的瓶颈。文章对比了 Multiverse、ThreadWeaver、Parallel-R1、NPR 等方法在推理引擎改造、训练奖励设计上的差异，并指出并行化是否在测试时稳定提升准确率仍是开放问题。
推荐理由：梳理自适应并行推理这一新范式的动机、方法与推理系统实现，并对比各方法的奖励设计与评估取向。
Google Research精选AI 评分6060 Google Research 提出 ReasoningBank 智能体记忆框架，从成功与失败经验中提炼推理模式
Google Research 在 ICLR 论文中提出 ReasoningBank，一种从成功和失败经验中提炼高层结构化推理记忆的智能体框架，用于测试时自我进化。
推荐理由：原文给出了 ReasoningBank 在 WebArena 和 SWE-Bench-Verified 上的成功率与效率提升数据，读者可据此判断该记忆框架的实际收益。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral Small 4，统一推理、多模态与编码能力
Mistral 发布 Mistral Small 4，这是首个统一旗舰模型能力的开源模型，融合 Magistral 的推理、Pixtral 的多模态和 Devstral 的编码智能体能力。
推荐理由：原文给出了架构、性能提升和开放入口，读者可以据此判断它如何统一推理、多模态与编码能力。
Mistral AI精选AI 评分6262 Mistral 发布开源 Lean 4 代码智能体 Leanstral
Mistral 发布 Leanstral，首个面向 Lean 4 的开源代码智能体，权重以 Apache 2.0 协议开源，并集成进 Mistral Vibe 和免费 API 端点。
推荐理由：原文给出了 Leanstral 的架构、评测分数和成本对比，读者可据此判断它在形式化证明场景中的性价比。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral 3 系列，含 Large 3 与 Ministral 3 多尺寸模型
Mistral 发布下一代模型 Mistral 3，包含 14B、8B、3B 的 Ministral 3 系列和旗舰 Mistral Large 3，全部采用 Apache 2.0 许可证。
推荐理由：原文给出了 Mistral 3 全家族参数、许可证和可用平台，读者可据此判断开源模型的最新能力水位与部署选择。
Mistral AI精选AI 评分7575 Mistral AI 发布首款推理模型 Magistral，开源 Small 版并推出企业版 Medium
Mistral AI 发布其首款推理模型 Magistral，分为 24B 参数的开源版 Magistral Small 和企业版 Magistral Medium。
推荐理由：Mistral 首次推出推理模型，开源版与商业版并行，读者可据此评估其多语言透明推理能力与部署选择。
Mistral AI精选AI 评分7474 Mistral AI 发布 Mistral Medium 3，主打低成本高性能
Mistral AI 发布 Mistral Medium 3，在多数基准上达到 Claude Sonnet 3.7 的 90% 以上性能，定价为每百万 token 输入 $0.4、输出 $2，成本显著更低。该模型在编码和 STEM 任务上接近更大规模的竞品，并支持混合部署或本地 VPC 部署，API 即日起在 Mistral La Plateforme 和 Amazon Sagemaker 上线。
推荐理由：原文给出了性能对比和定价，读者可以据此判断中等规模模型在成本与能力之间的取舍。