为什么重要
测试时计算扩展（test-time compute scaling）是当前 LLM 推理能力提升最活跃的前沿方向。OpenAI o-series 和 Google Gemini Thinking 都靠延长单条推理链来提升性能。但并行采样多条推理链再择优的"广度扩展"路线一直卡在选择瓶颈上——没有 ground-truth 验证器时如何挑出最好的那个？OpenDeepThink 用 Bradley-Terry 配对比较模型取代点估计打分，给出了一个优雅的答案：让 LLM 两两比较自己的候选答案，用统计排名取代单点评分。在 Gemini 3.1 Pro 上直接拉升 +405 Codeforces Elo，模型越强效果越好。这可能是群体智能范式在单模型推理上的第一次严肃落地。
核心贡献：OpenDeepThink 证明了基于 Bradley-Terry 的群体选择机制能在不修改模型权重的前提下，将 LLM 推理能力提升到超过单个最优 trace 的水平，且方法对模型无感——弱的和强的模型都能用，切换无需重新调参。
cs.AI 2026-05-14 Shang Zhou et al.
arXiv: 2605.15177 · 19 pages, 4 figures
现有 test-time compute 方法主要有两条路：
挑候选的传统方法有三类，各有硬伤：
OpenDeepThink 的关键洞察：LLM 打分不可靠，但 LLM 做两两比较（A 比 B 好吗？）要可靠得多。这与人类评审的发现一致——配对比较比绝对评分更稳定。
管道分为四个阶段，循环迭代：
| 阶段 | 操作 | 作用 |
|---|---|---|
| ① 生成 | LLM 并行产生 N 条候选推理链 | 种群初始化 |
| ② 比较 | 随机配对，LLM 判断每对中哪个更好，附带自然语言 critique | 产生相对排序信号 |
| ③ 聚合 | Bradley-Terry 模型从配对胜负记录中估计全局 skill rating | 统计排名，压制噪声 |
| ④ 进化 | 保留前 3/4，用比较阶段产出的 critique 做 mutation；淘汰末 1/4 | 迭代改进种群质量 |
Bradley-Terry 模型的核心公式很简单：
P(i 胜过 j) = exp(θ_i) / (exp(θ_i) + exp(θ_j))其中 θ_i 是候选人 i 的"能力分值"。从所有配对比较的胜负结果中，用最大似然估计出每个人的 θ，得到全局排名。这个过程对个别噪声比较天然鲁棒——少数误判不影响整体排序。
Codeforces 竞赛编程：
多领域 HOLMES Benchmark (HLE)：
关键警示：HLE 的主观域退化说明 Bradly-Terry 聚合的有效性取决于 judge 本身在该领域的校准质量。在 judge 不可靠的领域，种群进化会把偏见放大而不是消除。这是群体智能方法的一个本质脆弱点。
论文同时发布了 CF-73，73 道由国际象棋大师（International Grandmaster）人工标注的 Codeforces 竞赛题，本地自动评测与官方判题系统一致性达 99%。这对 Codeforces 方向的 LLM 评测是一个高质量补充。
cs.LG 2026-05-14 Zhengxi Lu et al. (浙江大学)
arXiv: 2605.15155
RL 作为 LLM agent 后训练范式已趋于主流，但轨迹级奖励信号对长程多轮交互太粗粒度。SDAR 将 On-Policy Self-Distillation 作为带门控的辅助目标注入 GRPO：当 teacher 分支（有权访问特权上下文）与 student 在 token 级别产生正 gap 时强化蒸馏，teacher 拒绝时用 sigmoid 门软衰减。
结果亮点：Qwen2.5/Qwen3 家族上，ALFWorld +9.4%、Search-QA +7.0%、WebShop-Acc +10.2%，且避免了 naive GRPO+OPSD 的崩塌问题。
cs.CL 2026-05-14 Ryan Quek et al. (MIT / NUS)
arXiv: 2605.15156
Daniela Rus 和 Armando Solar-Lezama 组的工作。不微调 LLM 本身，而是训练一个独立的 memory model 编码新知识，LLM 保持冻结。优点是：(a) 捕获跨文档关系 (b) 对检索噪声鲁棒 (c) 无需访问 LLM 权重或 logits，闭源模型也能用 (d) 推理时检索成本与知识库大小无关。在 BrowseComp-Plus、NarrativeQA、MuSiQue 上取得强结果。
cs.CR 2026-05-14 Rui Wen, Mark Russinovich et al. (Microsoft)
arXiv: 2605.15172
发现了一个此前完全被忽视的 LLM 攻击面：位置编码。传统后门攻击需要修改 prompt 文本内容（插入特定词/短语），MetaBackdoor 证明仅靠输入长度就能触发后门——因为 Transformer 必然编码位置信息，序列长度本身形成可被利用的触发信号。更危险的是，多轮对话中自然累积的上下文长度可以让对话"漂移"进触发区，无需攻击者任何显式操作。
安全含义：现有后门检测方法全部依赖文本内容分析，对位置触发完全无效。这要求重新思考 LLM 的安全防御体系。
cs.CL 2026-05-14 Sahil Sen et al.
arXiv: 2605.15184
在 LongMemEval 116 题上系统比较 grep vs 向量检索在 agentic search 中的表现，覆盖 4 个 harness（Chronos、Claude Code、Codex、Gemini CLI）。核心发现：grep 普遍优于向量检索——简单关键词匹配在 agent 场景下比语义检索更可靠。但结果也强烈依赖 harness 和 tool-calling 范式，同一份会话数据在不同 harness 下得分差异显著。这对 agent 框架设计者有直接工程指导价值。
OpenDeepThink 的方向是对的，但路径需要优化。
1. Bradley-Terry 聚合作为选择机制有理论美感——它不依赖额外训练、对噪声鲁棒、天然支持迭代改进。这是测试时计算"广度扩展"路线上我见过的最干净的设计之一。
2. 但 27 分钟的 wall-clock 让它在实际产品中毫无竞争力。 如果对比 o3 的一条深度推理链只需几秒到几十秒，OpenDeepThink 的 latency 劣势太大。这个方向的价值更可能在以下场景兑现：
3. SDAR 的 +10% agent 任务提升是本周另一篇值得关注的论文。GRPO 正在成为 agent 后训练的标准范式，SDAR 引入的 gated distillation 思路简洁有效，很可能被后续工作广泛采用。
4. MetaBackdoor 是一篇应该让所有人停下来思考的论文。 位置编码作为攻击面此前完全没有被讨论过。Mark Russinovich（Azure CTO）参与署名说明微软内部对此高度重视。如果你的系统在多轮对话中暴露 LLM 给不可信用户，这值得立即关注。
5. "Grep > Vector" 的结论反直觉但合理。 Agent 场景下精确匹配（找某个函数名、变量名、错误信息）比语义相似度更有用。这对正在设计 agent 系统的人是一个及时的提醒——不要默认向量检索就是最优解。
| 论文 | arXiv | 方向 | 入选理由 |
|---|---|---|---|
| OpenDeepThink | 2605.15177 | 推理·test-time compute | 新方法 (+405 Elo)，代码+数据开源 |
| SDAR | 2605.15155 | Agent RL 后训练 | GRPO + self-distillation，多 benchmark 显著提升 |
| MeMo | 2605.15156 | 记忆·知识注入 | MIT 组，闭源模型可用，多 benchmark |
| MetaBackdoor | 2605.15172 | 安全·新攻击面 | 首次发现 positional encoding 后门，Microsoft Security |
| Grep vs Vector | 2605.15184 | Agent 检索工程 | Claude Code/Codex/Gemini CLI 横向对比，直接工程指导 |
| FutureSim | 2605.15188 | Agent 评测 | 真实世界事件预测 benchmark，Hardt/Andriushchenko/Geiping |