推論系統
代理工作流排程延後提交已就緒回合，壅塞時 P95 完成時間最多縮短 71.4%
新研究把「回合已就緒」與「送入推論引擎」拆開，以 CVaR 尾部風險及動態工作量預算決定提交順序。SWE‑bench 軌跡重播中最高得到 3.5 倍 P95 加速，但結果只涵蓋固定代理軌跡、單一到達亂數種子與 A100／vLLM 環境。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
推論系統
AI 安全
RAG-Safety-Bench 隔離檢索品質變因，顯示安全微調未必能承受答案型文件
新基準固定檢索內容，以四種條件測量 RAG 如何改變五款開放模型回答有害問題的行為。含答案的文件讓所有模型更容易產生正確但危險的內容，而安全裁判之間也只有中度一致性。
具身 AI 與機器人
Show-Harness 以離散語意動作控制不同機器人，十項任務成功率達 89%
Show-Harness 讓通用 VLM 輸出方向、夾取與釋放等符號，再由各機器人的直譯器轉成受限運動。Gemini 零樣本與微調後的 Qwen 2B 在十項實機任務分別達 89% 與 86%，但測試仍集中於桌面取放。
最新模型
Xiaomi-CocktailASR-1 以聲紋提示鎖定混合語音，AliMeeting 遠場字錯率降至 20.63%
小米提出端到端目標說話者 ASR，把一至四秒參考語音和混合錄音送入同一音訊編碼器，不先執行語音分離。模型也能在目標缺席時輸出空字串，但訓練大量依賴未公開資料，且首版報告尚未提供可驗證權重與程式。
推論系統
PELM 聯合調節 DVFS 與推測解碼，端側 LLM 能耗最多降低 52.4%
PELM 不只調整處理器頻率，還動態選擇推測解碼設定與驗證深度，在熱限制下共同控制硬體和模型工作量。論文報告最高 23.1% 加速及 52.4% 節能，但峰值結果不能直接外推到手機或其他模型。
AI 安全
Datasette 以多模型程式代理稽核找出權限與快取漏洞，1.0a39、0.65.4 同步修補
Datasette 首次以 Claude、GPT 系列代理執行完整安全稽核，再由兩名開發者交叉撰寫測試與修補程式。新版收緊私有資料權限、SQL／HTML escaping、認證及 HTTP 快取，但部分重現測試暫緩公開，外界尚不能完整獨立驗證漏洞範圍。
代理工具
ToolGrad 反轉工具使用資料生成流程，500 筆合成資料讓 Gemma 3 12B 的 BFCL 分數升至 83.1
Google 的 ToolGrad 先建立可執行的 API 鏈，再反向生成對應指令，避開傳統代理以搜尋碰運氣找答案的低效率。實驗顯示小型資料集即可改善未見工具上的函式呼叫能力，但結果仍集中於單輪基準與合成工作流。
AI 安全
AgentAudit 把代理評測拆成十個生命週期環節，但模型裁判仍是最大變因
AgentAudit 不只計算任務是否完成，而是從執行軌跡分別檢查規劃、記憶、工具選擇、安全與執行完整性。五款模型的綜合信任分數差距很大，但九項任務與單一模型裁判不足以支持通用排名。
生成式音訊
YuE2-3B 以可編輯樂譜規劃完整歌曲，最佳八選一成績才超越 Suno v5
YuE2 把旋律與和弦的符號規劃、語意 token 和 flow-matching 音訊合成放進同一套生成流程。權重可在 24GB GPU 執行，但非商用授權及最佳八選一評測，使其與商用系統的比較仍須保守解讀。
代理工具
Φ-Bench 用 85 項真實基礎設施任務測試程式代理，最佳模型總分仍僅 36.53%
Φ-Bench 將評測範圍從單一 GPU kernel 擴大至跨檔案實作與端到端系統最佳化。八款前沿模型都能偶爾找到有效修改，但推理預算增加並未穩定轉化為更好的工程結果。
代理工具
AWS 開源 Pizza Bot，把長時間代理工作改造成可恢復的非同步收件匣
Pizza Bot 將代理狀態、核准要求與排程結果保存於伺服器，使用者離開對話後工作仍可繼續。它支援多家模型、MCP 與 Agent Skills，但本機優先不代表工具安全，遠端部署與外掛仍須自行建立信任邊界。
應用研究
NASA 與 IBM 開放月球基礎模型，以幾何條件與混合解析度統合 11 種觀測資料
NASA‑IBM Lunar Foundation Model 以近 200 萬組對齊的月球資料，跨越每像素 1 公尺至 100 公尺的尺度差距。模型、資料與微調程式均已公開，但冰層輸出仍是間接推測，不能用於著陸或探勘決策。