超越排行榜：稠密与 MoE 模型在自动程序修复中的多维度评估
研究提出受 ISO/IEC 25010 启发的加权质量指数（QI），综合功能正确性、可维护性、安全性和生成效率评估自动程序修复模型。
#DeepSeek
arXiv cs.LGAI 评分2424 arXiv cs.AIAI 评分3636 无需更多训练：SURGE 用 RL 历史检查点融合提升推理能力
论文提出 policy-space scaling，通过融合同一次 RL 训练中的两个检查点，在不延长训练、不增加单次推理计算的前提下获得更强策略。方法 SURGE 将高精度 anchor 与生成更短回复的 donor 表示为相对共享初始化的更新，再对 anchor 更新做谱分解，保留其主导成分并融入 donor 的互补成分。
arXiv cs.AIAI 评分2222 编码智能体的自我纠错应携带多少证据？自适应 Dirichlet 证据用于自蒸馏
研究提出 Effective-Evidence Self-Distillation（EESD），将执行相关性支持与证据量分开表示，用 Dirichlet 后验生成不确定性惩罚权重用于 KL 锚定的纠错学习。
arXiv cs.AIAI 评分3131 SCOPE：以语言模型为策略规划器的可验证定理证明框架
SCOPE 用语言模型规划算子、符号引擎执行数值、编译器渲染证明，在 218 题测试集上以 135M 主干模型通过 191/218（87.6%）。相比之下，7B 的 DeepSeek-Prover-V1.5-RL 仅通过 18/218，且消耗 27.5 倍 token 与 37.5 倍耗时；DeepSeek-Prover-V2-7B 在双向对偶测试集上通过为零。
SolidotAI 评分5858 UNICAMP 研究：AI 聊天机器人会随用户政治倾向改变回答
巴西国立坎皮纳斯州立大学研究人员测试了21个模型对112项政治陈述的判断，发现几乎所有模型都会向提示中描述的政治倾向靠拢，被形容为“意识形态变色龙”。在不提供用户政治倾向时，21个模型中有20个答案落在政治坐标系左侧，Grok 4.1是唯一落在右侧的模型。