最新模型
GLM-5.3 沿用 5.2 基座擴大後訓練，資安能力暴增令開放權重延後兩週
Z.ai 表示 GLM-5.3 未重新預訓練，程式與資安能力提升均來自更大規模的後訓練。模型在 CyberGym 報告 84.5%成功率，但權重須待雙重用途風險評估完成才會釋出。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
最新模型
最新模型
SciFigBench：GPT-5.2 圖表描述分數最高，面對不可讀內容卻有 96%仍作答
SciFigBench 用逾 34,000 組科學圖表測試，把看懂圖像與承認證據不足分開評量。GPT-5.2 的描述品質領先，Gemini 3.1 Pro 則更常拒絕從模糊或誤導證據下結論。
代理工具
同模型雙代理在失敗任務中有 90%共同失手，獨立性假設高估備援可靠度
Agent Behavioral Contracts II 以 18,000 次預註冊任務發現，同一模型的兩個代理會高度相關地失敗。研究改以聯合分布線性規劃計算有限樣本下限，但目前證據仍限於雙代理交接設定。
最新模型
DreamX-Phi 以 SE(3)軌跡約束雙臂影片預測，WorldArena 2.0 暫居第一
DreamX-Phi 將兩支機械臂的剛體變換直接寫入注意力，並以深度、物件遮罩及 V-JEPA 特徵約束生成影片。它在 WorldArena 2.0 快照取得60.65分，但權重與推論程式要等挑戰賽結束才公開，真實機器泛化仍未驗證。
GitHub Repo
MARC 將臨床推理拆成可追蹤代理管線，但首版尚無準確率比較
開源 MARC v1 用 YAML 定義抽取、推理與輸出代理，並支援 Gemini API 或 Ollama 本機部署。它改善錯誤定位與資料控制，卻只展示三類使用案例，未證明多代理比單一提示更準確。
最新模型
SAE 因各自挑選最高啟用 token，跨字典因果變異可由 11.9%降至近零
一項新研究發現，稀疏自編碼器的消融評估通常讓每套字典自行選擇最高啟用 token，導致看似相同的 latent 實際在不同位置受測。固定共同位置後，受控實驗中原本歸因於字典差異的 7.6%與11.9%變異幾乎消失。
代理工具
VALG 以型別化證明圖追蹤定理改寫，9 個 COLT 開放子題僅 2 組維持原始範圍
VALG 把機器學習理論研究拆成問題形式化、證明依賴圖、局部推導與多角度審查，並按失敗層級決定修補或另開放寬分支。系統在 9 個 COLT 2026 開放子題產生 22 個內部定稿候選，但只有 2 次執行得到符合原始問題範圍的結果。
代理工具
CAPRI 為 Isabelle 證明修補加上編輯合約，攔下 6 個可建置但越權的候選
CAPRI 將「證明可被 Isabelle 接受」與「模型只修改獲授權區域」拆成兩項獨立判定。180 次修補實驗中，144 個可建置候選有 6 個改動受保護文字，限制模型只回傳證明本體後則未再出現違約。
最新模型
PlayWorld 讓多模態代理實際操控九款世界模型，長時一致性最高仍僅 2.12／5
PlayWorld 用可觀察畫面的代理動態修正控制指令，避免不同世界模型的移動幅度令固定軌跡失去可比性。171 個場景顯示，現有模型雖能生成流暢畫面，卻仍難以保存全域空間與視野外持續演變的狀態。
AI 基礎設施
OpScale 把 LLM 擴縮單位拆至算子，Qwen2 服務平均少用 35%至50% GPU
OpScale 不再複製整個模型，而是按流量與序列長度，只擴充當下成為瓶頸的 attention、MLP 等算子。作者在 A100 與 GB200 叢集重播 92.9 萬個請求，最高以少 36.3% GPU 達到相同延遲目標，但原型程式尚未公開。
最新模型
TsuGO 將推理文字還原成搜尋樹，Gemini 3.1 Pro 開放式難題準確率僅 19%
TsuGO 用 600 道可驗證圍棋死活題，量度模型是否把推理資源投向正確分支，而不只計算答案與 token 數。移除四選一候選後，多款推理模型的準確率與搜尋效率同步急跌，與神經網路引導的 KataGo 仍有明顯距離。
代理工具
AI 程式審查令 Linux 7.2-rc7 收入逾 400 項修正，維護者瓶頸轉向人工分流
Linux 7.2-rc7 在發布週期後段仍由逾 230 名貢獻者送入超過 400 項修正，部分問題源自 AI 審查工具。AI 並未取代核心維護流程，但 Sashiko 等代理已把找錯速度推到人工分流與驗證能力之前。