医疗LLM不该只答题，应该像医生一样主动问诊

今日概览

医疗LLM不该只答题，应该像医生一样主动问诊。Baichuan-M3在HealthBench上全面超越GPT-5.2，关键不是模型更大，而是训练了主动追问和抑制幻觉的临床工作流
研究级数学难题没有标准答案怎么评分？用解法的「下游效果」代替人工判卷，Consequence-Based Utility把候选解当成few-shot示例去解相关题，好解法自然带来更高正确率
GUI Agent的定位能力可以用RL硬练出来。POINTS-GUI-G从几乎零基础练到ScreenSpot-Pro SOTA，证明RL的可验证奖励在感知任务上同样有效
44000小时人类视频训出机器人世界模型，DreamDojo用连续潜动作绕开动作标注稀缺问题，蒸馏后实时运行，支持遥操作和策略规划

重点关注

01 安全对齐医疗LLM不该只答题，应该像医生一样追问

现有的医疗LLM有个根本问题：它们是「被动答题机」。你问什么它答什么，但真正的临床决策不是这样的——医生会主动追问、排除、综合，不会在信息不全时就下结论。Baichuan-M3的训练方式模拟了这个流程：主动追问以消除歧义、长程推理整合分散证据、以及一个专门的幻觉抑制机制确保事实可靠性。在HealthBench上，它在临床问诊、建议和安全性三个维度都显著超过GPT-5.2。模型已开源，这对做医疗AI产品的团队来说是一个可以直接测试的基线。

医疗场景的核心差异化不在通用能力，而在主动问诊和幻觉抑制这些临床工作流在HealthBench全面超越GPT-5.2，开源可用做医疗AI的团队值得把「被动问答→主动临床决策」作为产品方向

原文：Baichuan-M3: Modeling Clinical Inquiry for Reliable Medical Decision-Making

02 评测研究级数学没有标准答案，怎么判断解法对不对？

数学推理模型越来越强，但验证它们在前沿数学问题上的输出仍然极其困难——这些题往往没有公认答案，只能靠数学家人工审查。Consequence-Based Utility提出了一个巧妙的替代思路：如果一个解法是对的，它里面包含的方法论信息应该能帮助解决相关的、可验证的题目。具体做法是把候选解当成in-context示例喂给模型去做相关题，好的解法自然带来更高的下游正确率。在GPT-OSS-120B上，这个方法把Acc@1从67.2提到76.3，AUC从71.4提到79.6，显著优于reward model和LLM-as-judge等方案。

「好的解法应该能迁移」是一个很实用的验证思路，绕过了人工判卷的瓶颈对reward model和LLM judge有一致性优势做数学推理训练的团队可以用它来构建更好的数据筛选pipeline

原文：Judging What We Cannot Solve: A Consequence-Based Approach for Oracle-Free Evaluation of Research-Level Math

03 Agent GUI Agent精准点击，RL在感知任务上也能发力

GUI Agent要在真实界面上完成任务，第一步是「看得准」——精确定位按钮、文本框、图标等元素。大部分工作直接在已有强空间感知能力的模型（如Qwen3-VL）上微调，POINTS-GUI-G反其道而行，从一个几乎没有grounding能力的基座模型POINTS-1.5出发，走完了从数据工程到RL训练的全流程。三个关键：统一多源开源数据集并做难度分级、持续微调视觉编码器提升感知精度、用可验证奖励的RL做最后的精度提升。最终在ScreenSpot-Pro上拿到59.9（SOTA），ScreenSpot-v2上95.7。值得注意的是，RL在这里不是用来增强推理，而是提升感知精度——GUI grounding天然适合RL，因为奖励容易验证。

RL的可验证奖励在感知任务上效果显著，不只是推理的专利从弱基座模型出发走完全流程，说明数据工程和训练策略的重要性不亚于模型底座做GUI Agent的团队值得关注RL用于grounding精度提升这条路

原文：POINTS-GUI-G: GUI-Grounding Journey

04 机器人 44000小时人类视频，能训出通用机器人世界模型吗？

训练机器人的世界模型（world model）——即「给定动作，预测环境会怎么变」——最大的瓶颈是数据：机器人采集的带动作标注的数据太少太窄。DreamDojo的解法是从人类视频里学。44000小时的第一人称视频涵盖了大量日常场景和精细操作，但没有动作标注。核心技巧是引入连续潜动作（continuous latent actions）作为统一的代理动作表示，让无标注视频中的交互知识能迁移到机器人域。在小规模目标机器人数据上post-training后，模型展现出对物理规则的理解和精确的动作控制。经过蒸馏加速到实时10.81FPS，支持遥操作、策略评估和基于模型的规划。

用大规模人类视频预训练+小规模机器人数据后训练，是解决机器人数据稀缺的可行路径连续潜动作绕开了动作标注缺失的问题做具身智能的团队值得关注这种「人类视频→机器人」的知识迁移范式

原文：DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos

也值得关注

推理链太长上下文就爆了，怎么办？学会在关键节点「做笔记」再继续 推理InftyThink+用RL训练模型自己决定何时总结、保留什么、如何续推，AIME24上比标准长CoT准确率提升21%，推理延迟也更低。链接

GRPO会让模型遗忘罕见正确解法 训练优化F-GRPO从数学上推导了小组采样遗漏稀有解的概率，借鉴Focal Loss对高成功率prompt降权，pass@256从64.1提到70.3（GRPO基线），零额外计算开销。链接

多轮越狱攻击不靠策略模板，纯RL就能训出来 安全对齐SEMA用自生成数据+意图漂移感知奖励训攻击者，闭源和开源受害模型上平均ASR@1达80.1%，ICLR 2026。链接

Transformer的MLP一直是「窄-宽-窄」，换成「宽-窄-宽」呢？ 模型架构沙漏形FFN在400M规模下优于传统FFN，省下的参数分给attention后在所有规模上都有提升。链接

从元音韵律里「听」出情绪 多模态VowelPrompt把语音中元音段的音高、能量、时长转成自然语言描述喂给LLM，SFT+GRPO两阶段训练，跨语言和跨域均SOTA，ICLR 2026。链接

图生成模型能做路线规划和UI设计吗？ 评测PlanViz提出三个computer-use子任务评测统一多模态模型的规划能力，结果暴露了空间推理和流程理解的显著短板。链接

医疗RAG系统的prompt注入有多危险？ 安全对齐MPIB构建了近万条攻击实例，发现攻击成功率和实际临床危害可以严重不一致——ASR高不代表真出事，ASR低也不代表安全。链接

Attention其实是稀疏的，159倍加速不是近似而是等价 推理加速Condensate Theorem证明注意力集中在一个可动态识别的拓扑流形上，在GPT-2到Mistral上实现bit-exact的token匹配。链接

长上下文推理的稀疏Attention：把LSH从候选筛选升级为打分核 推理加速SOCKET用软碰撞替代硬桶匹配，保持top-k排序稳定性，吞吐量比FlashAttention高1.5倍。链接

推理模型在图算法问题上一击即溃 评测GrAlgoBench发现超过120节点后准确率跌破50%，而且模型过度自我验证反而拖累正确率（over-thinking）。链接

今日观察

今天有两条值得注意的线索。一是RL的可验证奖励正在从推理向感知扩展：POINTS-GUI-G用RL提升GUI定位精度，VowelPrompt用GRPO训练情绪识别，加上近期在代码生成、数学推理上的持续进展，RL with verifiable rewards正在成为一种通用的能力提升范式，不再局限于逻辑推理任务。二是GRPO的各种缺陷正在被密集修补——F-GRPO修正了稀有解遗忘，上一期LUSPO修了长度偏差，EBPO修了baseline方差——做RL训练的团队建议持续关注这些修正工作，它们对训练稳定性的影响往往比换更大模型更直接。