所有文章 · SURL AI News

Brain Researcher 將腦影像代理首步工具選擇率由 23.3% 提高至 93.6%

Brain Researcher 以知識圖譜、型別化流程與審查規則約束神經影像分析代理，並保存假設、證據及執行來源。工具路由大幅改善，但可驗證證據落地率仍只有 22.0%，自動審查亦曾漏掉方向性統計錯誤。

SafeBranch 將代理的危險軌跡回滾至關鍵決策點，只比較同一上下文中的安全與不安全動作。訓練後部署毋須外掛 critic，但成果目前限於模擬家居環境，且資料建構仍依賴 GPT-4o 判斷。

ConceptGuard 不再把忘卻集與保留集視為互不相關的事實，而是要求模型抑制同一技術的有害用途並保留正當用途。四種反學習方法均出現遺忘與效用取捨，且不同概念間的效果高度不一致。

FormalTCS 從近兩年頂級理論計算機科學論文抽取研究級問題，逐段測量模型由自然語言主張產生機器可驗證證明的能力。最佳模型在證明既有形式化定理時達 28.6 Pass@8，但將自然語言轉成正確 Lean 定理陳述仍是主要瓶頸。

開源代理執行環境 Forge 現可按使用者隔離 MCP 連線與憑證，並自動完成 OAuth 2.1 metadata discovery 及動態用戶端註冊。新版亦補上細粒度出口管制與審批稽核，但目前 MCP 支援仍以 HTTP 傳輸為主。

新基準將 13 個公開來源的代理技能去重並按結構家族切分，避免近似樣本同時落入訓練與測試集。最佳文字分類器在隨機切分表現亮眼，面對未見來源卻把 62.4% 良性技能誤判為惡意。

NVIDIA 更新開源代理執行堆疊，重點處理 vLLM、llama.cpp、Ollama 與模型路由器的狀態漂移。新版也收緊沙盒生命週期、映像來源證明及失敗復原，但仍是快速迭代中的修補版本。

SWE-bench Science 用 98 個真實科學程式庫測試單位、座標系、數值不變量及檔案格式等隱性契約。Claude Code 搭配 Opus 5 暫居首位，但 pass@1 仍未過半，且工程整合題只有 27.78%。

微軟開源 Thinkingbox，以隔離的 MCP 工具環境及可執行斷言檢查代理是否真正完成工作，而非只看回覆或工具呼叫是否合法。最佳系統單次成功率達 65.36%，但要求同一任務連續成功 20 次時只剩 25.25%。

Task-CoEvolve 依候選 harness 的歷史分歧動態挑選驗證任務，再以抽樣機率估算全體成績。它在 Terminal-Bench 2.1 接近全量搜尋表現，但論文沿用同一批任務搜尋與評分，且程式尚未實際釋出。

ReCache 改寫注意力與位置編碼，讓不同請求可重用個別工具或技能的 KV cache。Qwen3 實驗顯示首 token 延遲最多加速 3.655 倍，但方法需要微調模型，尚非可直接套用的推論外掛。

Google DeepMind 讓視覺語言模型先把長流程機器人任務拆成 VLA 可執行的子目標，再用成功軌跡微調原模型並加入殘差式離策略強化學習。方法提高模擬任務的探索效率，但尚未證明能在實體機器人上取代人工示範。