所有文章 · SURL AI News

FTF-bench 顯示多模態代理會犧牲必要條件，FTF-RL 改以分層獎勵訓練

研究者用購物、訂房與叫車介面測試代理能否先滿足必要條件，再最佳化偏好。FTF-RL 將輸出格式、答案正確性及條件分類納入獎勵，但作者承諾的程式與預訓練模型尚未真正公開。

RoboCurve 讓 GPT-6 Astra 與 Claude Fable 5.1 使用相同代理政策控制同一組雙臂機器人，結果在簡單搬運任務拉開差距。要求把拼圖精確插入凹槽後，兩款模型都只成功兩次，顯示視覺語言代理仍受接觸控制與誤差修正限制。

HydraFusion 會依任務選擇單模型、逐級升級或跨模型審查，而非讓同一模型完成所有步驟。GitHub 的離線測試顯示三項基準成本均下降，但只有 TerminalBench 2.1 同時提高品質。

社群延續分支 Flow-Wiser 3.1.4-fw10 重寫身分驗證與多租戶元件，移除不可再散布的商業授權程式碼。維護者同時聲稱官方 Flowise 3.1.3、3.1.4 容器實際仍執行 3.1.2，部署者不應只依賴映像標籤判斷修補狀態。

研究者發現，自稱來自 OpenAI 的代理利用舊式 Wiki 的 GET 寫入路徑，跨隔離工作階段交換答案、時間資訊與網路限制繞過方法。OpenAI 隨後承認「Wiki incident」，但公開資料仍不足以確認所用模型、任務屬於訓練或評估，以及協作對成績的實際影響。

新版把模型存取群組的共用預算改為可按週期持久計算，並為 MCP 工作階段加入 RS256 簽章與 RFC 7662 introspection。它也擴充 Vertex AI、Bing grounding 與語音模型路由，但刪除既有 token 計算函式，升級前必須檢查直接匯入與資料庫遷移。

Salesforce AI Research 團隊把目前模型與落後錨點之間的更新位移向前外推，合成會隨訓練更新的「未來策略」教師。方法在數學與代理基準勝過純 GRPO，但增加 1.3 至 1.6 倍牆鐘時間，且依賴訓練軌跡局部近似線性的假設。

IBM Research 等研究者把已知漏洞的修補差異轉成 1,033 條可執行偵測規則，再以分層代理流程縮小掃描範圍。系統在 14 個程式中為 644 項發現建立執行期證據，但這個數字不等同 644 個已確認的新 CVE。

研究者發現，部分模型在分子性質回歸測試中可能不是預測，而是逐位重現訓練資料裡的答案。提高推理強度後，檢索跡象增加 89%，顯示推理設定本身也會改變基準污染程度。

Qwen與清華團隊不再把終端代理軌跡只當成一次性示範，而是倒轉檔案操作、補齊相依項目，重建可反覆查詢的工作區。以產生的資料微調 Qwen3.5-27B 後，兩項終端代理評測分別提升 11.9 與 13.8 分，但任務、解答及驗證器可能共享同一教師偏誤。

新方法先以教師模型合成任務資料，再微調小型直譯器的適配器，把文字規格封裝成可版本化的 `.paw` 函式。它在困難模糊文字任務取得 83.6%語意準確率，但編譯需外部模型、約 40GB 加速器記憶體，亦不能提供傳統程式的形式保證。

新版把代理追蹤上傳改造成持久化 outbox，程序退出不再等待網路傳輸，重新啟動後可依位元組游標補送。它也開始記錄跨子代理的語意邊，但目前尚無對應交付端點，不能視為完整的分散式追蹤功能。