斯坦福研究：44%的大语言模型实证结论已失效
斯坦福大学研究人员Owen Queen和James Zou测试了50个广泛引用的大语言模型声明，发现44%已经“过期”，平均寿命仅为15.7个月。关于模型“不能做什么”的推理类错误（如数草莓字母、长上下文信息丢失）失效最快，而谄媚、欺骗和战略行为等偏好类结论则更持久或有所增强。研究建议将LLM实证结果视为特定时间点的具体观察，而非普遍真理，并呼吁记录模型版本和日期以便复现。
#推理
The DecoderAI 评分6565
Simon WillisonAI 评分6868 Simon Willison 实测 Qwen 3.8 27B 本地运行可解读模型权重
Simon Willison 在笔记本电脑上运行 Qwen 3.8 27B，成功复现了论文中“从原始浮点权重识别游戏类型”的任务。该模型在耗时约 46 至 64 分钟、消耗数万 reasoning tokens 后，准确识别出 Pac-Man、Pong 和 Breakout 三种游戏的策略网络行为，但在较冷门的 Freeway 游戏上失败。
Latent SpaceAI 评分6565 Latent Space 综述：LLM 可直接读写神经网络权重及近期 AI 动态
Latent Space 报道了一项名为“Weight Space Programming”的研究，显示前沿 LLM 能够直接读取和编辑较小模型的权重张量，无需梯度下降训练。
Berkeley AI ResearchAI 评分4747 Berkeley AI Research 综述自适应并行推理：LLM 自主决定分解与并发策略
Berkeley AI Research 发布关于自适应并行推理的综述，探讨让 LLM 自主决定何时分解子任务、生成多少并发线程及如何协调。文章分析了从 Self-consistency、Tree of Thoughts 到 ParaThinker、GroupThink 等现有方法的局限，指出固定并行结构导致计算冗余或策略错误。