代理工具
限制模組可見資訊促成可重用潛在通訊，10 組配對實驗有 9 組領先至少 20 點
四個共享 Qwen2.5-0.5B 與同一 LoRA 的模組，只因注意力遮罩不同，便學出截然不同的組合策略。限制每個模組只能看到自己的證據片段，較容易形成可跨樣本移植的中間值通訊，但預先註冊的整體成功門檻仍以 0.0012 之差落敗。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
最新模型
MidTool 將工具使用前移至中期訓練，Qwen3-4B 的 BFCLv3 總分提高 10.5 點
MidTool-Mix 從網頁、PDF、程式碼與真實工具介面合成 203 億 token，讓模型在 SFT、RL 之前先學習工具邊界、參數與工作流程。配合相同 SFT 配方時，Qwen3-4B 的 BFCLv3 總分由 39.73% 升至 50.25%，但深度搜尋任務仍完全未解。
AI 安全
凍結的 Qwen3-8B 也會產生「能力擴張」，研究要求自我改進評測加入實測虛無基線
新研究發現，單次貪婪解碼與不穩定門檻可讓完全未訓練的模型看似獲得或失去能力。改用逐題精確檢定後，三種自我訓練只穩定強化既有能力，未能證明取得基礎模型從未觸及的新能力。
代理工具
PILOT 以確定性護欄管理淘寶推薦實驗，搜尋效率由 53.3% 升至 93.3%
PILOT 將實驗管理、分群策略搜尋與記憶整理交給三個 LLM 角色，但把權限、統計判定及狀態寫入留給確定性服務。淘寶五個線上 bucket 的內部結果顯示搜尋效率提高 40 個百分點，但報告未提供可公開重現的程式與流量規模。
代理工具
CentaurBench：最會獨立解題的模型，未必最會指導另一個代理
CentaurBench 以七類工作任務分開評估模型的自動化與輔助能力，兩種排名的相關係數僅約 0.48。無輔助的 GPT-3.5-Turbo 在三項任務勝過所有受指導版本，顯示加入強模型不必然改善代理流程。
代理工具
TrueForge 開源代理執行框架，14 項企業任務成本宣稱較受管服務低 30% 至 75%
TrueFoundry 以 MIT 授權釋出 TrueForge，將代理迴圈、MCP 工具、按需沙盒、子代理及核准流程組成可自行託管的執行框架。官方在 Enterprise-Bench 報告相同模型可節省約 30%，改用 GLM-5.2 則節省約 75%，但比較僅涵蓋 14 項任務。
代理工具
Slack Code 將程式代理搬進共享頻道，支援差異檢視、即時預覽與人工核准
Salesforce 推出 Slack Code，讓團隊從對話直接建立專案專屬 Code Channel，並共同監看、修正及核准代理產生的程式碼。首波串接 Claude、Devin、GitHub Copilot、ChatGPT 與 Vercel 代理，但安全隔離、權限粒度及 API 細節仍未完整公開。
代理工具
AFANet 以 6.5 萬可訓練參數診斷多代理故障，域內推論由 199 秒縮至 1.16 秒
AFANet 把代理對話轉成含時間及同代理連線的圖，再以兩層 GCN 判斷故障代理與錯誤類型。它在 AEGIS-Bench 勝過多款 LLM 基線，但跨資料集的代理—錯誤配對 F1 仍偏低。
代理工具
DeepWeaver 先編織證據再生成答案，DeepSeek-V4-Flash 論據充分度由 75.4% 升至 86.5%
DeepWeaver 以 Thought Block Chain 整理主張、關鍵資訊與來源，再反覆檢查尚未利用的證據。它改善多款模型的長篇回答與引用指標，但新評測集中於中文水環境問題，程式碼也尚未真正釋出。
推論系統
Liquid AI 為 LFM2.5 加入 DSpark 草稿模型，單張 H100 解碼最高加速 3.18 倍
Liquid AI 釋出三款約 3 億參數的 DSpark 草稿模型，讓 LFM2.5 以推測解碼一次驗證多個候選 token。單批、貪婪解碼測試最高加速 3.18 倍，但 SGLang 支援仍在開放中的 PR，部署成熟度有待驗證。
代理工具
SkillForge 先用專案測試合成故障，兩款程式代理的 SWE-bench Verified 均提高逾 5 點
SkillForge 在真實工單出現前，先從測試覆蓋的執行路徑製造可驗證故障，再把修復軌跡蒸餾成專案專屬技能。搭配 Mini-SWE-Agent 後，DeepSeek-V3.2 與 GPT-5-mini 的 SWE-bench Verified Pass@1 分別升至 72.2% 與 60.6%。
代理工具
SPADE 讓同一 LLM 編寫可執行訓練環境，30B 模型跨八項評測平均提高 5.3 點
SPADE 以提示前後的回報差訓練環境設計者，讓課程隨代理能力自動變難。Qwen3-30B-A3B 在工具使用評測最多增加 13.9 點，但環境驗證器仍可能接受規格不完整或無解的任務。