AI生成数学论文获接纳与LLM内部推理机制研究
本文提及AI自动生成的数学论文中有五篇被学术会议接纳，以及一位00后创始人洪乐潼融资十四亿创业。同时，文中引用的研究指出，大型语言模型内部约百分之三的专门注意力头用于检索事实与规则，更高层级推动信息整合与全局推理。作者以历史典故类比，认为机器推理已初具‘道’之雏形，但强调若无价值框架与伦理准则，其发展恐难持久。
LLM推理
First-Principle 上关于「LLM推理」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
DenoiseRL：通过强化学习从弱模型失败路径中提升推理能力的框架
2026年5月28日，HuggingFace Daily Papers介绍了DenoiseRL，这是一个强化学习框架，旨在从弱模型的失败推理路径中学习，以替代对外部监督的依赖。该框架将错误推理轨迹转化为学习信号，提高探索效率和训练可扩展性，在数学和通用推理基准上表现优于现有基线。
SAM：面向长期推理智能体的状态自适应记忆框架
本文介绍了一种名为SAM（状态自适应记忆）的新框架，旨在解决大型语言模型（LLM）在长期交互推理中面临的信息分散和历史管理难题。该框架通过自适应调整对过去交互的访问，并压缩历史为记忆线索，在多个基准测试中表现出色。
无监督过程奖励模型（uPRM）：无需人工标注提升LLM推理能力
2026年5月22日HuggingFace Daily Papers发布的研究提出无监督过程奖励模型（uPRM）训练方法，通过基于大语言模型下一个词概率的评分函数批量评估推理轨迹，无需人工监督。据该论文，uPRM在识别首个错误步骤上比LLM-as-a-Judge准确率提升高达15%，在推理时扩展任务中性能接近有监督PRM并比多数投票基线提升6.9%，在强化学习中实现更稳健的策略优化。
推理模型覆盖范围收缩现象与数据决策点作用研究
本文研究了大型语言模型中的推理模型在基于SFT的微调后出现的“覆盖范围收缩”现象（即pass@k性能下降）。研究发现，该现象与训练数据中决策点的分布密切相关，并提出了通过数据合成设计和多样性解码机制来部分缓解该问题的方法。
Solvita：通过智能体进化增强大语言模型在竞赛编程中的能力
论文提出了Solvita，一个由四个专门化智能体（规划器、求解器、预言机、攻击者）组成的闭环进化框架，通过强化学习动态更新图结构知识网络权重，以解决LLM在高难度竞赛编程中推理能力不足的问题，并在多个基准测试中达到新SOTA。
NudgeRL框架：解决可验证奖励强化学习（RLVR）中策略探索效率低下的问题
HuggingFace社区热门论文介绍NudgeRL框架，该框架通过‘策略推动’机制，为每次生成引入轻量级条件上下文，诱导多样化推理轨迹，无需依赖昂贵监督，为在强化学习中提升大语言模型推理能力提供了一种高效且可扩展的探索新范式。
自适应教师暴露（ATESD）：提升LLM推理自蒸馏效果的新方法
本文介绍了自适应教师暴露（ATESD）方法，通过Beta策略控制器动态调整教师模型在自蒸馏训练中的暴露比例，解决了现有方法中监督信号过强的问题。该方法在AIME 24、AIME 25和HMMT 25数据集上，基于Qwen3系列模型的实验显示，持续优于竞争性基线。