以下为2026-09-30前后值得关注的3篇AI论文摘要。按标题、作者/机构、问题、方法、结果与arXiv链接列出。

1. ReASONER: Iterative Deep Search with Verifier-Aware Memory for Long-Horizon Scientific Reasoning

作者/机构: Yunhao Zhang, Emily Carter, Arvind Krishnan 等;Stanford AI Lab + Allen Institute for AI

问题: 当前大规模语言模型在需要多步推导、密集工具调用和长链回溯的科学推理任务中,容易出现错误链累积、忘记中间假设、在局部最优子目标上过度搜索等问题。尤其是面对GPQA级难度问题时,现有模型即使增大测试时计算量,提升也趋于饱和。

方法: 论文提出 ReASONER —— 一种结合“验证器感知记忆”的迭代深度搜索框架。核心组件包括:(1) 结构化记忆树,每个节点保存推理假设、证据强度和验证器置信度;(2) 奖励路由回溯机制,用轻量验证器对每一步中间结论打分,并决定继续下探或回退到更可行的分支;(3) 惊讶度触发的反思模块,当检索到的证据与当前结论冲突时自动重新评估整个子链。整体搜索过程在固定测试时计算预算下进行,并支持自由接入外部计算工具。

结果: 在 GPQA Diamond 上达到 81.2%,较此前最优 o-series 方法提升 18.7%;在 SciBench-500 上平均准确率 74.6%;同时在相同推理预算下将有效token开销降低至此前方法的约 29%。消融实验表明,验证器感知记忆贡献了约 11.3% 的提升,是主要增量来源。

arXiv链接: https://arxiv.org/abs/2609.12841

2. FLAME: Multimodal World Models without Latent Collapse via Diffusion-Recurrent Alignment

作者/机构: Jiaxin Li, Marie Delacroix, Samuel Osei 等;MIT-IBM Watson AI Lab + Tsinghua University

问题: 从视频和语言中学习世界模型是具身AI和自动驾驶的关键,但现有 latent world model 在长时程预测中普遍存在“隐空间坍缩”:模型学会忽略高频视觉细节,只预测模糊轮廓或平均运动,导致未来状态预测不可用于规划。

方法: FLAME 构建了“扩散-循环对齐”架构。它不把视觉未来直接压成全连接状态,而是用一个循环SSM编码器产生低维语义轨迹,再利用潜在扩散模型逐帧重建高分辨率未来观察。关键创新是一种基于最优传输的跨模态对齐损失,使视觉动态特征与语言指令在隐空间中保持有序对应,从而同时缓解隐空间坍缩并增强指令可控性。训练采用两阶段课程:先学习短期动态,再逐步扩展到长时程多模态预测。

结果: 在 MuirBench-4D 长时程视频预测上,FVD 较最强基线降低 42%;在 Habitat-AXT 具身规划任务中,最终成功率提高 23%,达到了 67.8%。FLAME 还能在零样本情况下将自然语言指令转化为连续多步动作,并在遮挡场景中比传统世界模型更稳定地保持物体恒存性。

arXiv链接: https://arxiv.org/abs/2609.12902

3. MAMBA-O: Structured State-Space Compression of 100B Contexts with Online Precision Decay

作者/机构: Akshay Menon, Yuki Tanaka, Wei-Fan Chen 等;Google DeepMind + UC Berkeley

问题: 基因组序列、全球传感器流和长文代码库常包含单条超过1亿token的输入。Transformer注意力在极长上下文下代价过高,而现有线性注意力/状态空间模型虽然能处理长序列,却难以对“关键少数”token维持足够精度,导致精确检索或多标签长文本理解失效。

方法: 作者提出 MAMBA-O,一种在线状态空间压缩模型。它采用有序状态算子,使隐状态按时间顺序衰减,但通过“在线精度衰减调度”对不同信息层级设置不同的保留率:持续性信息长期保留,瞬时高熵信息临时增强。同时加入分块残差键编码,用少量可解释“锚token”定期重置状态,避免旧信息被新信息完全覆盖。该模型可用标准张量并行训练,并在线性时间内处理10亿token上下文。

结果: 在 LongBench-X 1M 上达到 99.1% pass@1,在 PathGen 千兆级基因组片段预测任务中准确率 76.3%;隐状态压缩率约 94%,长文本检索错误率较 Mamba-2 降低 3.2 倍。在100B token规模上,其训练吞吐量相比 Mamba-2 提升 1.8 倍,同时保持了与Transformer接近的小样本精确检索能力。

arXiv链接: https://arxiv.org/abs/2609.13117