推論系統
GCache 依全程誤差影響配置擴散快取，Wan2.1 同速下 LPIPS 降至 0.0316
GCache 不再以相鄰去噪步驟的局部相似度決定是否重算，而是搜尋對最終畫質影響最低的快取重用序列。它在 Wan2.1 維持 2.17 倍加速時大幅降低偏差，但策略搜尋需要多張 H100，實作亦尚未公開。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
推論系統
推論系統
Trie Automata 預算 token mask，vLLM 有限選項解碼吞吐達 XGrammar 的 29 倍
新方法針對數千至一萬個合法字串預先建立 trie 狀態與 token mask，避開通用文法編譯的基數瓶頸。作者測得批次 256 時每秒處理 219 個請求，但尚未公開實作，數字也包含繞過既有 guided-decoding 路徑的整合收益。
混合線性注意力在完整注意力層前形成巨量啟用尖峰，規律橫跨 1.2B 至 397B 模型
新研究發現，混合線性注意力模型的巨量啟用並非隨機散布，而會在完整注意力層前形成尖峰，並於中間的線性層維持平台。團隊公開分析程式與受控模型，但完整論文圖表所用的逐筆輸入尚未全部釋出。
代理工具
三套代理基準的模型主效應低於 3%，DDR 將排行榜改寫成部署可靠度問題
一項新研究以廣義性理論拆解 TheAgentCompany、τ²-bench 與 AppWorld，發現代理與任務的交互作用遠大於代理本身的平均差異。作者提出 DDR 報告框架，要求選型時同時交代任務難度、留出驗證、成本與所需樣本量。
代理工具
LLM 代理把 HPC 工作送上異質叢集，描述性硬體資料令成功率由 48% 升至 87%
LLNL 團隊讓代理探索 Flux、Slurm、Kubernetes 等資源，再把高階意圖轉成可驗證的工作規格。六個雲端叢集實驗顯示架構、網路與記憶體 metadata 主要能排除不能執行的機器，並非穩定的效能最佳化器。
代理工具
GSR 將評分規則編譯成型別圖，LLM 裁判精確分數一致率最高增 6.75 點
Graph-Structured Rubrics 在看見待評答案前，先把自然語言 rubric 編譯成具型別的判斷、轉換、聚合與閘門節點。GPT‑OSS‑120B 實驗顯示它優於平面式 Prometheus 評分，但目前未公開程式，增益亦高度依賴資料集。
最新模型
64 路自一致投票在多數 GPQA 難題上反而降低單題準確率
一項預先註冊研究發現，Qwen2.5-7B 與 Llama-3-8B 在多數 GPQA Diamond 題目上愈投票愈容易鎖定錯誤答案。整體平均分數仍略升，顯示聚合指標會掩蓋逐題退步。
代理工具
Harness‑IF 分離「本來就會做」與真正遵令，12 款程式代理落差最高 7.4 點
Harness‑IF 將規則分散到系統提示、專案檔案、使用者指令、工具與技能描述，再以實際執行證據逐條評分。12 款前沿模型面對違反自身預設傾向的規則時，準確率一致下降。
AI 安全
VICBench 追溯100個漏洞的首次引入提交，現有自動方法最高僅40.1% F1
VICBench 以人工與代理雙重追溯，標註Python、Java及C++專案中100個CVE的漏洞引入提交。跨檔案搬移與重構令V‑SZZ及LLM4SZZ大量誤判，也暴露受影響版本資料的可靠性問題。
最新模型
Qwen3.8 首次開放 2.4T 參數 Max 級權重，每個 token 啟用 95B
阿里千問公開 Qwen3.8‑2.4T‑A95B，以 512 個專家、混合線性與標準注意力支援最長約 101 萬 token。模型可調整推理深度，但只接受文字、不能關閉思考模式，實際部署門檻遠高於一般開放權重模型。
最新模型
相同模型排名隨 token 上限反轉，四模型測試錄得 56,476 次推論
一項新研究把四款開放權重模型的生成上限由 64 提高至 4,096 token，三項推理基準的領先模型均曾改變。排除截斷後仍有 3%至19%題目在增加預算時由對轉錯，顯示單一 token 設定不足以支撐部署選型。
代理工具
Bench2Robust 注入九類工具故障，69／70 組代理測試出現性能倒退
Amazon 研究團隊把既有工具使用基準改造成可控制「重試、切換或停止」的故障環境。Qwen3-4B 加入結構化復原資訊後，受干擾零售任務通過率最高增加 16.8 個百分點，但系統尚未真正驗證不可解任務上的正確棄權。