OpenAI ha publicado los resultados de su modelo interno no lanzado, Astra, que resolvió con éxito diez problemas importantes y abiertos en matemáticas. Las soluciones fueron generadas por el modelo y posteriormente formalizadas en certificados Lean por investigadores humanos.
OpenAI ha publicado soluciones a diez problemas de matemáticas y ciencias de la computación teórica que no habían visto progreso en sus resultados principales durante al menos una década, utilizando una versión interna de su próximo modelo principal, Astra.
Thinking Machines Lab ha lanzado Inkling, un nuevo modelo de mezcla de expertos multimodal diseñado para el razonamiento eficiente en tokens y la comprensión nativa de entradas de texto, imagen y audio. Together AI está poniendo el modelo disponible en su plataforma de inferencia con acceso desde el día cero.
Meta anunció que su modelo Muse Spark 1.2 logró un rendimiento de medalla de oro en cinco Olimpiadas de STEM y entró en el top 5 del Índice Vals a $0.69/prueba, según se informa, 3 veces más barato que Kimi. Meta atribuyó estas ganancias a la orquestación multiagente con razonamiento paralelo, destacando puntuaciones perfectas en teoría en APhO e IPhO sin herramientas externas.
AI9Stars ha lanzado G9v3-39A5B, un modelo de lenguaje de pesos abiertos diseñado para ofrecer capacidades de razonamiento más fuertes que su predecesor, ai9stars/G9v3-3B. El modelo cuenta con 39 mil millones de parámetros y 5 expertos activos, y está licenciado bajo Apache 2.0 para uso personal y comercial.
Un documento de trabajo de Joseph JM Walker evalúa modelos de lenguaje de vanguardia en un benchmark de criptografía literaria multi-canal inédito incrustado en la novela física "I Wrote a Book and Made a Million Dollars (I.B. Wryten)." El estudio encuentra que GPT-5.6 reconoció independientemente el canal de comunicación secundario y recuperó aproximadamente el 95% del material incrustado en su primer pase, mientras que los modelos anteriores demostraron una capacidad efectivamente del 0%.
Un estudio demuestra que los modelos de lenguaje de vanguardia pueden realizar cómputo relevante utilizando tokens de relleno semánticamente irrelevantes, creando un modo de fallo en el que el razonamiento no es visible en la cadena de pensamiento (chain-of-thought) de salida. La investigación evaluó 13 modelos en tres tareas y encontró que muchos se benefician significativamente de estos tokens, con mejoras de precisión de hasta 13 puntos porcentuales.
Los autores presentan PoTRE (Poly-Topological Reasoning Ensembles), un marco diseñado para abordar las limitaciones del prompting estándar de flujo único en tareas de razonamiento complejas. PoTRE desacopla la inferencia en cuatro agentes distintos: un Agente de Refinamiento Adversarial, un Agente de Planificación Estratégica Jerárquica, un Agente de Búsqueda Espectral y un Agente de Cadena Directa.
Los investigadores proponen Isospectral Optimization (ISO), un marco para el Aprendizaje por Refuerzo con Recompensas Verificables (RLVR) que aborda la capa de optimización faltante manteniendo fijos los espectros de pesos del modelo mientras se optimizan los marcos singulares de entrada y salida.
Los investigadores presentan Ring-Zero, una canalización de entrenamiento estable que escala el aprendizaje por refuerzo con recompensas verificables a modelos con un billón de parámetros, abordando problemas como la redundancia de tokens y la mala legibilidad encontrados en el escalado ingenuo.
Un desarrollador comparte avances en una arquitectura de IA simbólica conversacional desarrollada durante los últimos ocho meses, con el objetivo de abordar lagunas en la extracción de información no neural.
El estudio introduce GSM-Plus-BN, un nuevo conjunto de datos matemáticos en bengalí perturbado derivado del benchmark GSM-Plus en inglés y verificado por traductores humanos. Este recurso aborda la falta de benchmarks sistemáticos para evaluar la robustez de los modelos en regiones lingüísticamente diversas como Bangladés.
Los autores proponen Deep Interaction, un método eficiente de interacción humano-IA diseñado para corregir errores de razonamiento en modelos de lenguaje grandes sin requerir la regeneración completa de la respuesta. Este mecanismo permite a los usuarios editar directamente la respuesta original de Chain-of-Thought, preservando los pasos correctos mientras se corrigen los errores.
Los investigadores han desarrollado un nuevo conjunto de datos de razonamiento a gran escala y el benchmark FukuyamaBench para evaluar el razonamiento de mecanismos jerárquicos en modelos de lenguaje grandes, abordando las inconsistencias físicas comunes en los LLM químicos actuales.
Un nuevo marco teórico explica la emergencia de habilidades de razonamiento inductivo en modelos de lenguaje Transformer estudiando una clase generalizada de tareas inductivas que unifica tareas sintéticas como n-gramas en contexto y razonamiento multi-salto.
El Desafío de Razonamiento del Modelo Nemotron de NVIDIA invitó a la comunidad de Kaggle a explorar técnicas que mejoren la precisión del razonamiento bajo restricciones compartidas de modelos abiertos, benchmarks e infraestructura. Al cierre de la competencia, más de 5.000 participantes activos en 4.000 equipos habían generado miles de presentaciones.
Los investigadores presentan TreeThink, una biblioteca de Python de código abierto diseñada para la búsqueda en árbol modular y completamente asíncrona en la demostración de teoremas con redes neuronales. Integra métodos de búsqueda establecidos con pipelines de inferencia basados en vLLM y diversas técnicas de evaluación de nodos.
El autor aplica una lente Jacobiana abierta (J-lens) al modelo Qwen3-8B para detectar estados de razonamiento interno, inspirado por el descubrimiento de Anthropic del «espacio J» silencioso de Claude. Este enfoque permite monitorear activaciones ocultas que no aparecen como salida de texto visible.
El autor informa que el modelo extGemma4-40_5B, una versión extendida de Gemma 4, supera con éxito los fallos anteriores en la inserción de capas mediante una nueva estrategia de inicialización. Al inicializar las nuevas capas como una mezcla de sus vecinas en lugar de como no-ops, el modelo evita el hambre de señal y permite un entrenamiento efectivo.
Un usuario está buscando métodos para controlar la longitud de la cadena de razonamiento para los modelos Qwen 3.5 y Gemma 4 dentro de una plataforma de programación agéntica.