LLM+RL遭严重质疑，随机/错误等虚假奖励也能提升至标准效果？

论文在AI领域观察到类似随机给糖或奖励错误答案让孩子成绩提升的现象，‘虚假奖励四大奇招’效果接近用标准答案训练，Qwen2.5 - Math - 7B模型在测试集上性能飙升，还揭示了Qwen特别的原因及随机奖励有效的推手。

欧洲黑马Mistral Medium 3来了！跑分对标最强Claude，实测大翻车

Mistral AI发布多模态模型Mistral Medium 3，官方称其性能接近Claude Sonnet 3.7且成本低，有诸多亮点。但网友实测结果不一，部分大佬认为性能不如官方宣传，建议别下载。

GPT-5“变笨”实锤，退休教授出了道井字棋送分题，结果它真送了

退休经济学教授用井字棋简单问题测试GPT - 5，其表现拉胯，与“博士级AI”宣传不符。后续操作离谱，或因OpenAI策略调整。此外，OpenAI在测ChatGPT新功能，奥特曼开始炒GPT - 6。

【博客翻译】使用PyTorch加速生成式AI第四部分：Seamless M4T，快速优化

这是使用纯原生PyTorch加速生成式AI模型系列博客的第四部分，专注加速FAIR的Seamless M4T - v2模型。通过torch.compile + CUDA Graph，在不损失精度下实现text decoder模块2倍、vocoder模块30倍加速，端到端推理2.7倍加速。

大语言模型离“数学证明高手”还有多远？斯坦福、伯克利、MIT 团队提出 IneqMath 评测标准

现在很多大语言模型常给出看似正确的结论，但推理过程却有问题。斯坦福、伯克利和MIT团队提出新思路，构建IneqMath数据集及‘AI数学裁判系统’，研究发现很多模型推理不严谨，还给出两个提升准确率的办法。

LLM长文本内卷，谁是真英雄？告别跑分玄学，我们需要一把“公道秤”

OpenNLG Group做了统一长上下文评估框架LOOM - Scope，兼容主流benchmark、model和长上下文加速方法。该框架围绕BENCHMARK、DEPLOYMENT和EVALUATOR三大核心模块，还提出LOOM - Bench应对评估成本制约。

AI圈惊天丑闻，Meta作弊刷分实锤？顶级榜单曝黑幕，斯坦福MIT痛斥

Agentic RL 后训练资源怎么分？港中文、恒生大学提出 Libra，吞吐最高提升 3 倍

大语言模型走向“完成任务”，Agentic RL 后训练让系统工作负载不稳定。港中文和恒生大学团队提出 Libra 资源管理系统，统一优化训练与 rollout，在多任务中提升吞吐，论文与代码已公开。

中国团队首次在Nature子刊发布医疗AI标准，未来医生MedGPT摘得全球桂冠

中国AI医疗公司“未来医生”协同专家制定CSEDB，首次提出评估医疗大模型临床能力的系统性框架，被《npj Digital Medicine》收录。在其评估下，未来医生的MedGPT在主流大模型中夺冠。

毕业7年，身价破亿！清北AI天团血洗硅谷，奥特曼被逼分天价股份

清北中科等名校毕业生在硅谷成超级明星，谷歌因Meta挖人给员工涨薪，OpenAI为留人给部分员工加薪、送1/3股权。AI人才薪资差距大，国内AI人才也多出身名校，需求和高薪职位增长快。