GPT-6 Astra 采用权重空间编程方法，无需标准训练过程即可直接操作模型权重，实现高效能力调整。在 Qwen3.5-0.8B 上，Astra 仅修改 0.016% 的权重，使 MATH-500 基准准确率从 7.9% 跃升至 48.1%，指令遵循能力从 21% 提升至 62%。Astra 还能仅通过原始权重识别网络学习到的游戏和图像生成的基本形状，并生成超越标准训练方法的模型权重。
推荐理由：研究展示了通过权重空间编程直接修改模型权重，实现高效能力提升和缺陷修复的可行性。
逆向博弈论或机制设计旨在通过设计激励系统来促使强大AI模型遵守规则，而非仅依赖理解其内部思维。研究者提出可奖励模型预测第二模型输出，或设计求解者与审计者对弈机制以实现对齐。该方法依赖AI行为的理性假设，但可作为深度防御策略的一部分，需解决实际应用和市场激励等问题。
研究提出 Weight-Space Programming 允许前沿 LLMs 直接从自然语言目标中检查和编辑神经网络权重，无需梯度下降或训练循环。该方法可用于识别小模型的行为、修复控制策略和提高 Qwen3.5-0.8B 在 MATH-500 上的准确率从 7.9% 提升至 48.1%。
Google DeepMind 发布了最新的世界模型 Genie 4 研究预览版，该模型生成了更逼真和交互的世界，并支持实时音频、自由编辑和实时引导。Genie 4 可将场景保持至两分钟，是其前代 Genie 3 的两倍，同时 Gemini 模型更紧密地集成于 Genie 4 中，用于规划步骤和检查帧。
OpenAI 分享了模型在 Kakeya conjecture、Exponential Time Hypothesis 和 quantum chromodynamics 上的结果。研究人员可以验证并在此基础上进一步构建科学理解。
Adaptive Parallel Reasoning 通过让模型自行决定何时拆分任务、并行线程数以及协调方式，缓解了传统顺序推理导致的上下文旋转、延迟和计算成本。文章综述了从固定并行到自适应控制的多种方法，并以 ThreadWeaver、ParaThinker、GroupThink、Hogwild! Inference 等实例为例，展示了在数学、编码和代理任务中的应用。
GRASP 是一个用于学习动力学（世界模型）的基于梯度的规划器，通过将轨迹提升到虚拟状态实现跨时间的并行优化，并向状态迭代中添加随机性以进行探索。研究表明，在 H=80 的测试中，GRASP 的成功率达到 10.4%，中位成功时间为 58.9s，优于其他方法。
SPEX 和 ProxySPEX 算法能够在大规模上识别 LLMs 的关键交互，克服了复杂性带来的计算不可行性。SPEX 利用稀疏性和低度特性，通过信号处理和编码理论将交互发现转化为可解的稀疏恢复问题。ProxySPEX 进一步利用模型中的层次结构，以约 10x 更少的 ablations 达到与 SPEX 相当的性能。