代理工具
PDDLCoder 讓代理反覆修正 PDDL，106 項未見規劃題的可執行成功率達 89.6%
PDDLCoder 不要求語言模型直接產生長期行動序列，而是先建立可由符號規劃器驗證的 PDDL 世界模型。DeepSeek V4 Flash 在四個保留領域解出 95／106 題，但不同基礎模型的結果由 89.6% 跌至零，顯示框架成效高度依賴模型遵守格式及利用工具回饋的能力。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
推論系統
FluxBin 以二元基底配合 LUT CUDA kernel，單張 A100 報告最高 5.92 倍推論加速
FluxBin 不把超低位元權重重新展開成 FP16，而是用二元圖樣直接索引預先計算的部分和。論文在單張 A100 報告最高 5.92 倍速度與 10.19 倍能源改善，但目前公開程式碼連結仍無法存取。
代理工具
Kozuchi 讓同一套 27B 程式修復代理跨至 Java，Multi-SWE-bench 解出 41／128 題
富士通把免微調的 Qwen3.5-27B、八階段修復流程與跨代理測試選擇器原封不動移至 Java。它在 Python SWE-bench Verified 解出 374／500 題，但 Java 成功率僅 32.03%，顯示代理框架可移植不等於語言能力相同。
最新模型
PertMind 以細胞擾動終點訓練 4B 模型，把一億份單細胞資料轉成強化學習獎勵
PertMind 從 Qwen3-4B 出發，以基因反應、路徑方向及輸出格式組成可計算獎勵，不必人工撰寫大量生物推理軌跡。模型可零樣本轉移至逆向擾動辨識及雙擾動任務，但自然語言機制解釋仍不能視為因果證明。
推論系統
R³-Bench 讓六題共用推理預算，71／72 組測試的模型表現低於自身離線上限
新評測不再為每題提供獨立額度，而是要求模型在六道題之間分配 token 或工具操作。六款模型即使已能單獨解題，放入共享預算後仍普遍無法把算力投向最有回報的題目。
代理工具
RelArena-α 統一重跑 21 項關聯資料任務，TabPFN-Rel 在標準調參模型中居首
Prior Labs 開源統一資料切分、調參與評分流程，重新比較圖模型、關聯 Transformer 與資料表方法。TabPFN-Rel 顯示先聚合關聯資料再交給表格基礎模型仍具競爭力，但 CPU 特徵合成成本未完整計入排行榜時間。
推論系統
FreeToken 動態拆分 MoE 快取失誤，8GB RTX 4060 跑 35B 模型達 39.3 token/s
FreeToken 依主機記憶體與 PCIe 頻寬，動態決定未命中專家應傳入 GPU 或直接由 CPU 計算。論文在五款消費級系統報告較最強基線高 1.3 至 2.1 倍解碼吞吐，但所連結的程式碼庫目前尚無法公開存取。
代理工具
代理壓縮上下文後成功率未變，GPT-5.5 的狀態重查次數仍增至約三倍
新評測把工具呼叫拆成狀態擷取與任務執行，發現上下文壓縮可在成功率下降前大幅增加代理的重查成本。GPT-5.5 在五倍壓縮下完成率由 80% 變為 85%，但平均擷取呼叫由 21.0 次升至 63.9 次。
推論系統
DriveCache 按預定車輛軌跡分配去噪快取，Wan2.2 A14B 以 1.97 倍速度維持較高保真度
DriveCache 利用生成前已知的車輛平移與旋轉，為不同駕駛場景安排擴散模型的特徵重用。Wan2.2 A14B 在接近相同加速幅度下，PSNR 較 SeaCache 高 1.276 dB，但程式碼尚未公開。
代理工具
多代理程式團隊以共享檔案取代逐一傳訊，八代理輸出 token 減少約 42%
UCL 研究把代理、檔案、訊息及讀寫事件建成時間網路，分析 1,902 次受控程式任務。結果顯示協作拓撲主要由任務結構決定，僅在提示中指定協調者並未形成實際樞紐。
代理工具
代理先前完成稽核與修復後，下一次驗證的誤報率最多下降 11.5 個百分點
新研究顯示，即使待驗內容完全相同，留在上下文中的舊稽核與修復經歷仍會令多款開放模型較少報錯。訊號偵測分析未發現辨別力同步提升，表示代理管線改變了驗證門檻，而不只是令模型判斷得更準。
代理工具
Quipu 把代理寫入知識圖譜改為先驗證後提交，拒絕紀錄亦能跨版本重播
Quipu 將資料、信任標籤、規則與裁決一併納入雙時間軸，並在代理寫入提交前檢查候選狀態。作者的植入缺陷測試由未設閘門時的 6 項全數殘留降至零，但證據仍主要來自系統作者設計的單次確定性評測。