Iris借链接图出题，删层省25%计算

重点关注

01 检索 会出题，比再堆一个搜索Agent更接近壁垒

Iris真正有意思的地方，不是又训练了两个更大的搜索Agent，而是把普通网页语料变成了可持续生产的高难度训练场。它从网页超链接中构造多跳实体链，再把答案之外的实体改写成描述性指代，逼模型跨页面寻找证据，而不能靠字符串匹配猜答案。题目还必须满足一个条件：参考模型闭卷答不出，但拿到支撑证据后能够解出，从源头过滤掉太简单或证据不足的样本。生成的搜索轨迹会经过整条轨迹和单轮动作两级筛选，再用于监督微调；随后进入真实搜索环境做强化学习，并把每轮中最难但成功、或效率最高的轨迹送回下一轮监督训练，形成「SFT-RL攀爬」。这套循环的价值在于，团队不必一直人工编写新题，而能从现有网页结构中持续挖掘更难的监督信号。摘要报告称，在启用上下文管理后，两个模型在BrowseComp、DeepSearchQA等四项基准上取得了各自参数规模中开源搜索Agent的最强综合结果，但作者也明确指出，上下文管理带来的收益可能大于许多系统之间的分差，因此横向比较必须固定工具、上下文上限和评审方式。模型权重与完整的数据构造、训练和评测配方目前是「计划公开」；如果最终兑现，对搜索系统团队而言，这份可复用的造题流水线可能比榜单名次更值得拿来试验。

原文：Iris: Climbing to the Search Frontier

02 代码智能 内核优化不该只有一种自治模式

TPU内核生成需要反复编译、测试和查看硬件性能，而MaxKernel把这些实时反馈直接接进代码Agent的优化闭环。它没有把「自治」做成单一开关，而是同时提供人机逐步协作、指标驱动的全自动迭代，以及面向全局设计空间的图搜索；工程团队可以据此按任务成熟度选择不同模式。三种模式共享规划、实现、调试、测试和性能分析等专业子Agent，相当于把内核工程流程拆成可协作的角色。摘要称其在50个TPU任务及真实模型负载上能匹配专家手写基线，但缺少具体加速幅度，实际泛化能力仍需看全文确认。对开发团队更有价值的启示不是「一键生成内核」，而是按开发阶段逐步提高自治程度。

原文：MaxKernel: Agentic Kernel Generation for TPUs

03 可解释性 监控思维链，能从看答案升级到识别推理操作吗？

任务表述、目标分解和演绎在文字上容易区分，这项研究发现，它们在大模型的隐藏表示中同样呈现可分离结构，而且中间层最明显。作者还排除了词汇和位置差异等干扰：即使表面词元相同，模型也会根据所在推理片段的功能形成不同表示。注意力遮蔽实验进一步表明，片段开头的操作表征依赖此前的推理上下文，而不是孤立词语。对做可解释性或安全监控的团队，这提供了一条从检查最终答案转向识别推理过程所执行操作的路径，但「能够分类」不等于找到了驱动推理的因果机制，实际应用仍需更多干预实验验证。

原文：Beneath the Surface of Chains-of-Thought: A Mechanistic Interpretation of Reasoning Operations in LLMs

04 训练优化 被大模型弃用的删层训练，为什么又回来了？

Layer dropout——训练时随机跳过部分网络层——正在重新进入大模型训练配方，反常之处在于，它的价值不只是正则化，而是提前培养模型的「可删层能力」。作者通过优化丢层分布、时间调度和优化器参数，试图缓解这项旧技术常见的精度代价：在相同训练FLOPs下获得更低损失，或在验证损失相近时最多节省25%的训练计算。这样训练出的模型还能在部署时支持提前退出、跳过中间层和自推测解码，推理速度最高提升1.5倍，且准确率损失可忽略。结论来自超过2400次实验，覆盖271M至8.2B参数和最多160B token，规模证据相当扎实。对训练团队而言，值得关注的不是简单「把dropout加回来」，而是作者如何联合设计丢层位置、调度与优化器；具体配方仍需看全文确认。

原文：Don't Drop Dropout: Optimizing Layer Sparsity for Efficient LLM Training and Inference