所有文章 · SURL AI News

EnvHarness 不改驗證器即可重塑代理訓練環境，ALFWorld 域外成績提高 9 點

Google Cloud AI Research 等團隊把代理 harness 的概念套到環境端，以可組合介面層改變起始狀態、可見資訊及任務流程。開源實驗涵蓋五套基準，最高提升 9 個百分點，但重現完整結果仍需要多種外部環境與商用模型 API。

Nsight AI 現在可把即時 CUDA 文件接入 Codex、Claude 等 MCP 用戶端，或在本地部署完整的程式輔助後端。開源 Blueprint 結合生成、補全、嵌入及重排模型，但參考配置需要 Hopper 級 GPU 與至少 200GB 儲存空間。

Ornith 釋出 9B、35B MoE 與 397B MoE 三種開放權重模型，訓練迴圈同時最佳化任務、代理鷹架與解題軌跡。397B 的程式代理成績接近閉源前沿模型，但數字尚未經獨立重現，模型發布文件亦存在授權缺口。

Anthropic 的新版工具可在一次模型回合執行多個介面動作，並結合頁面結構、可版本化技能及持久檔案。既有 beta 整合仍可運作，但升級電腦操作工具會改變請求格式，工程團隊也須自行處理瀏覽器隔離與提示注入風險。

NVIDIA 把原用於 GPU 核心演化搜尋的 AVO 代理架構移植至互動推理，搭配 Claude Opus 5 取得 100.00 RHAE。結果顯示代理記憶與驗證迴圈可大幅改變同一模型的表現，但只涵蓋公開環境，且與 VISTA 的比較不是受控消融。

PolicyGuide 不只在工具呼叫前阻擋違規動作，而是在每個使用者回合追蹤尚未完成的政策步驟。它在三個 τ²-bench 領域提高可靠成功率，但每回合增加一次 LLM 驗證，且程序合規指標部分由作者自行設計。

Modular 在 Mojo 1.0 發布一週後，將 KGEN 編譯器、工具與標準函式庫以 Apache 2.0 加 LLVM 例外條款公開。原始碼已可檢視及自行建置，但編譯器暫不接受外部貢獻，MAX 亦維持獨立授權。

一項跨九款模型、三套長流程評測的研究顯示，從完整任務歸納的技能通常令代理退步，從子任務歸納則平均帶來增益。自然語言流程筆記也比可執行 Python 技能更穩定，但效果仍高度依賴模型與評測。

8 月 21 日前後，DeepSeek Pro 灰測消息在開發者社群延燒；目前可確認的是官方 8 月 21 日公告只發布 Flash Vision 實驗模型，Pro 仍未公布新版本號。社群觀察到的「I’m doing」思維鏈與 B 站實測，更像一次小範圍路由或後端模型灰度放量。

MemTrapBench 不測記憶能否被找回，而是測正確、相關的舊經驗會否把模型鎖進錯誤策略或信念。五種記憶方法在兩款模型上均不如無記憶基線，簡單提示式護欄則只能追回部分損失。

SAPO 利用生成序列的兩個因果邊界，同時讀出狀態值與動作值，毋須獨立 critic 或同題多次 rollout。Qwen2.5-7B 在 ALFWorld 與 WebShop 的整體指標皆勝過 PPO、GRPO，但目前仍缺少公開實作驗證。

Axon 將模型架構寫成具符號張量形狀的函數式規格，再編譯至 PyTorch、Triton、JAX、MLX 與原生 vLLM。467 組推論測試顯示多數生成模型加速，但部分 BF16、編碼器及序列到序列模型仍出現精度或效能退化。