4B医疗决策模型CS1：单次推理回答多类问题，外测接近27B模型
arXiv 新论文提出 40 亿参数的医疗决策模型 CS1-4B，可在单次推理中回答多类临床记录问题。据摘要，它在 21 个外部数据集上的综合表现接近最强的 270 亿参数模型，推理速度约快 6.4 倍，为“小模型读病历、大模型提问与整合”的分工提供了样本。
celebrityanime
ReuF2F 新基准测试编程智能体求解本科科研开放问题，最强模型仅解约 40%
arXiv 上出现一个名为 ReuF2F 的 Lean 4 基准，把 244 道来自本科生科研项目（REU）的开放数学问题形式化，用于评测编程智能体能否端到端给出可机器校验的证明；摘要显示最强模型也只解出约 40%。
arXiv发布Physical AI综述：定义框架、技术全景与通向Physical AGI的挑战
arXiv 于 2026 年 10 月 21 日发布一篇 Physical AI 专题综述（arXiv:2610.27045v1），尝试为这一概念尚未统一的领域给出定义、技术版图与核心挑战，并明确提出从窄域自动化走向 Physical AGI 的路线问题。
M-Plan提出闭环多智能体框架：长短时记忆协同提升LLM智能体长任务表现
arXiv 2026年10月21日上线的一篇新论文提出 M-Plan，一个把长期记忆与短期记忆整合进闭环的多智能体框架，目标是让大模型智能体在缺少先验训练的长程多轮任务中表现更稳。摘要称其在 ALFWorld、Webshop 和 PDDL 上优于多个基线，但该结论目前仅来自摘要，尚未核验全文实验。
SPOKE：用偏好优化教AI打德州扑克，Kuhn与Leduc可剥削度双降
arXiv 2026年10月发布的一篇新论文提出 SPOKE 方法，把教师相对价值惩罚、策略锚定、风险约束与结构化推理监督结合起来，训练小型语言模型在隐藏信息博弈中做出更优策略决策，在Kuhn和Leduc扑克测试中取得更低的平均可剥削度。
arXiv 新论文提出 LightCRS：5.3M 参数模块做多域对话式推荐，宣称延迟降 266 倍
arXiv 上的一篇新论文提出 LightCRS，用一个约 530 万参数的共享模块统一处理多个商品领域的多模态对话式推荐，并构建了覆盖 25 个领域的新基准 MM-R2A-25。它值得关注，是因为给出了“多域统一”与“延迟可控”之间的一种轻量解法，但结论目前仅来自论文摘要。
新论文系统评测16种特权信息配置：OPSD训练效果可提前预测
一项新论文系统比较了在策略自蒸馏（OPSD）中16种特权信息（PI）配置，发现PI的内容、生成来源和学生模型都会影响效果；研究还提出用KL类指标在训练前预判PI是否有效。
[Bug]: Bedrock count_tokens returns 400 for cross-region inference-profile models — prefix stripped before request
![[Bug]: Bedrock count_tokens returns 400 for cross-region inference-profile models — prefix stripped before request](https://www.chat-gpts.plus/wp-content/uploads/2026/10/32683-e728913d-768x403.jpg)
当 LiteLLM 在 AWS Bedrock 上通过跨区域推理配置文件（inference profile，如 global. / eu. / us. 前缀或 inference-profile ARN）调用 Claude 模型时， POST /v1/messages/count_tokens 会
[Bug]: Spend logs only record the first tool call and first LLM round for chained MCP calls on streaming /responses (require_approval=”never
![[Bug]: Spend logs only record the first tool call and first LLM round for chained MCP calls on streaming /responses (require_approval="never](https://www.chat-gpts.plus/wp-content/uploads/2026/10/37358-c3372de5-768x403.jpg)
该问题出现在 LiteLLM 代理使用流式 /v1/responses （以及 /chat/completions ）并启用 MCP 工具自动执行（ require_approval="never" ）时：模型链式多次调用工具、网关自动执行并多轮回调模型，但 spend logs 和日志页只记录第一
多智能体协作未必降低临床幻觉：arXiv 新研究称任务表现提升与推理可靠性并不等同
一篇 arXiv 新论文发现，在多智能体大模型系统中，协作通常能提升临床任务成绩，但并不能稳定降低推理过程中的幻觉；决定幻觉水平的主要是底层模型，而不是智能体拓扑结构。