推論系統
IOL-AI 以未公開語言學奧賽題測推理：14B 模型靠解碼流程把基線分數提高逾一倍
IOL-AI Challenge 要求系統先從少量例句推導陌生語言規則，再完成翻譯、轉寫與訂正。受限於單張 T4 的最佳提交把同模型基線 GM 由 9.40 提至 19.79，但與達到金牌線的封閉模型仍有明顯差距。
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
PACE 把 AI 代理的交易核准綁定至鏈上位元組，沙盒測試將不安全執行率由 0.80 降至零
PACE 不要求語言模型自行判斷交易是否安全，而以確定性規則檢查交易意圖、模擬結果及實際 calldata。簽署後的政策決策紀錄由智慧帳戶在執行前重驗，但目前零失敗結果只來自簡化 DeFi 沙盒。
硬體
PTXBench 實測 LLM 直接寫 H100／B200 專用 PTX，沒有模型能穩定追上前沿核心庫
PTXBench 同時檢查生成核心是否正確、指定指令是否真的執行，以及相對 cuBLAS、cuDNN 與 FlashInfer 的速度。結果顯示，會寫出新架構指令不代表能把它轉成有效加速，B200 注意力核心尤其困難。
代理工具
StagedWorkspace 以內容雜湊同步代理的解析檢視與原生檔案，OfficeQA Pass@1 增加 8.3 至 12.1 點
新系統把文件代理的搜尋結果、原生檔案、差異檢視與最終提交綁定至明確版本，避免代理讀到舊解析內容卻編輯新版檔案。固定框架消融顯示，同時提供解析與原生檢視優於任一單一檢視，但完整程式與跨框架重現仍待補足。
AI 安全
醫療 LLM 在病人答覆前先給自理建議，短指令把出現率由 9／12 降至 0／12
新研究把評測前移至病人尚未清楚描述問題的首次接觸階段。加入「先釐清、後建議」的系統指令改善回應順序與交接摘要，卻仍未可靠問出決定性病史。
最新模型
TokEval 用 18 項內在指標篩選 tokenizer，資訊量指標與語言建模表現相關最高達 0.80
TokEval 將數字位值、程式 AST 邊界、UTF-8 完整性及跨語言成本納入 tokenizer 評測。控制實驗顯示部分指標可預測特定下游能力，但結果目前限於單一 1.27B 架構。
代理工具
Agent Lightning v1.0 讓真實代理框架直接參與強化學習，Qwen3.5-9B 的 SWE-bench Verified 升至 56.4%
Microsoft 重寫 Agent Lightning，以模型 API 代理層擷取既有代理框架的完整互動，不必把工具迴圈搬入訓練引擎。官方以 6,000 筆資料訓練 Qwen3.5-9B，報告 SWE-bench Verified 由 41.8% 提升至 56.4%。
代理工具
自我改進代理遇上隨機任務順序，平均增益由 +1.5% 反轉為 -4.5%
Salesforce 重新評測兩種文字記憶方法，發現加入自我改進迴圈後，71% 的設定出現更高跨次執行變異。原本隱含由易至難課程的固定題序一經打亂，ReasoningBank 不但未改善代理，反而降低通過率。
代理工具
AeroCopilotBench 把飛行程序變成可執行狀態機，最佳代理安全通過率仍僅 72.6%
新評測以 73 項駕駛艙異常任務測試代理能否觀察狀態、操作系統並全程遵守硬性安全限制，而非只回答航空知識題。GPT-5.6 Sol 的成功率最高，但相近的知識分數與任務成功率並不一致，顯示靜態問答不能替代互動安全測試。
代理工具
Reconstruction 隱藏論文只給舊參考文獻，多模型評審把研究構想匹配率由 14.6% 升至 35.6%
新評測要求模型僅憑論文發表前已存在的參考文獻，反推出被隱藏論文的核心研究構想。四模型交叉評審與瑞士制選拔提高匹配率，但候選數、裁判群與計算量均未與單模型條件對齊。
代理工具
BaT 按代理失敗階段安排強化學習，9B 策略的 AutoMedBench-Lite 得分由 19.9 升至 53.4
Benchmark-as-Teacher 把評測中的階段分數直接轉成下一輪訓練課程，並以隔離合成資料避免把測試答案帶入更新。論文報告 9B 策略明顯優於一般 GRPO，但完整訓練資料尚未釋出，跨系統排名亦混合了不同執行框架。
FabriMAE 以視覺注意力熵判斷機器人動作可靠度，十分支選擇令成功率升至 86.8%
FabriMAE 從 VLA 模型內部的視覺注意力熵產生可靠度分數，不需另訓練驗證器或重複執行機器人軌跡。PI0.5 在 LIBERO-Plus 的成功率增加 1.1 個百分點，但目前證據仍限於模擬環境，論文連結的程式庫亦尚未公開存取。