CHIMERA：用于泛化 LLM 推理的紧凑合成数据集
研究者推出 CHIMERA，一个包含 9K 样本的合成推理数据集，由先进推理模型生成长 CoT 轨迹，覆盖 8 大科学学科和超过 1K 细粒度主题，并用全自动评估流水线交叉验证题目与答案，免除人工标注。
#DeepSeek
arXiv cs.AIAI 评分3838 arXiv cs.AIAI 评分2929 思维链如何破坏对拒绝行为的简单激活引导：大推理模型拒绝机制研究
一项 arXiv 研究发现，DeepSeek-R1-Distill-LLaMA-8B 等大推理模型的拒绝行为除残差流激活外还依赖思维链（CoT）。在固定 CoT 时激活引导仅能逆转 39% 的拒绝，移除 CoT 后升至 70%；两阶段干预下模型重新生成 CoT 时逆转率达 94%，且撤除引导后 CoT 单独保留 48% 的效果。
arXiv cs.AIAI 评分4343 MLIPS：多层索引器池共享，让稀疏注意力免去逐层全前缀扫描
arXiv 论文提出 MLIPS，一种无需训练的多层索引器池共享方法：由生产者层发布大于注意力预算 K 的 top-M 候选池，后续各层自行从中选 top-K，保留各自的打分与选择。
arXiv cs.AIAI 评分4242 LLM 推理何时能可靠复用中间结果？arXiv 新研究给出条件与计算量分析
一项 arXiv 研究分析了大语言模型推理中复用中间结果的可靠性条件，并给出本地重试下正确完成的条件与平均尝试次数上界。实验覆盖八个推理模型的复合数学与算术任务：四个 DeepSeek 模型在第二子问题上，无第一子问题上下文时平均成功率 36.2%，给出答案时 57.2%，给出推理与答案时 58.3%。算术实验显示相近的首试准确率在多次尝试后覆盖率差异很大。
Francis YAO (@Francis_YAO_)AI 评分3535 分享基于 Qwen3 的分块 KV 压缩模型构建与相位敏感性评测实验仓库
Xingyu Zhu 分享了相位敏感性评测实验仓库及基于 Qwen3 构建的分块 KV 压缩模型。实验显示 DeepSeek-V4 在相同代码和问题下，随前缀装饰性 docstring 每两个 token 变化而翻转答案，NIAH 准确率随 needle 位置在固定 4-token 周期上波动最高达 40 分，团队解释了这与分块 KV-cache 压缩的关系。