所有文章 · SURL AI News

雙代理研究系統從反覆失敗中導出 Grothendieck 常數新下界，但關鍵轉向仍由人類提出

研究團隊以推理模型、編程代理及檔案式記憶執行約 240 個研究 session，最終提出並由作者驗證 `K_G ≥ 6π/11`。系統展現強大局部證明能力，卻未自行察覺搜尋已陷入瓶頸，研究方向與成果取捨仍依賴約 40 次人類指令。

ChemWorld 以型別化操作、相容性編譯器及私有化學定律，讓研究者在相同公開介面下只替換單一世界規則。開源版本通過 52 種生成組合與八條完整流程，但它驗證的是軟體執行語義，並非真實化學準確度。

EvoMem 從成功的程式突變中抽取具來源紀錄的策略卡，再於後續任務檢索最多三張卡引導 LLM。九類測試的平均目標指標提高 6.40%，但結果變異大，且實驗仍限於小型研究型工作負載。

Agentic Configuration Management 把代理、提示、模型、工具與工作流正規化成可獨立版本控制的設定項目。參考實作支援 LangGraph、CrewAI 與 OpenAI Agents SDK，但目前驗證集中於小型合成案例及作者自訂 oracle。

微軟研究團隊以 238 萬次 rollout 比較 41 種語言，發現相同任務換語言後，即使採貪婪解碼，代理仍會改走不同工具路徑。研究亦顯示非英語任務高度依賴先轉成英語，但目前工具只是符號化呼叫，尚未涵蓋真實 API 的錯誤與副作用。

研究者在固定 GPT‑5‑mini 與兩小時預算下，讓除錯顧問跨搜尋分支共享執行環境限制，使 AIDE 的 90 次執行全部產生有效提交。成果顯示代理外殼仍有大量可回收算力，但實驗只涵蓋九項表格預測競賽。

研究者讓本機模型只讀取 Python 重構前後的 diff，從 217 組 Rope 轉換中歸納出 13 類行為改變。維護者接受其中 12 項為缺陷，但模型精確率僅 0.67，尚不足以取代測試或靜態分析。

REDAgentBench 在工作區、郵件、瀏覽器、銀行與外部檔案沙箱執行 1,661 個攻擊案例，不再只憑代理回答判斷是否造成傷害。同一批執行改用服務收據與最終狀態評分後，六款模型的攻擊成功率均較純軌跡評分高 7.73 至 11.72 個百分點。

一項涵蓋 1,867 個公開儲存庫的研究發現，CLAUDE.md 等代理指令檔會持續加入規則，舊規則卻愈來愈少被刪除。受控實驗顯示，替規則保留可供模型讀取的加入理由，可移除 99.3% 的多餘指令，但結果尚未在大型真實程式庫中前瞻驗證。

OneDrive 內部測試中的相片體驗被意外廣泛啟用，部分受管理的 Windows 11 電腦也出現入口，且最初無法在保留同步程式的情況下單獨移除。微軟現把管理員登入政策與獨立解除安裝列入 Microsoft 365 Roadmap，但兩項修正仍在排程中。

第八屆 LSVOS 的 MeViSv2-Audio 冠軍報告把語音轉寫、視覺定位、分割與目標存在判定拆成多階段流程，再以候選遮罩間的一致性選出軌跡。系統最終分數為 0.769589，但官方公開排行榜仍標示待公布，程式與完整消融資料亦未釋出。

Open-Ended Optimization 固定目標、資料邊界、互動權限與評測，但不預先規定代理應如何蒐證及修改技能。GPT‑5.5 擔任優化器時多數設定勝過 SkillOpt 與 GEPA 類流程，但中等與較弱模型無法維持同樣優勢。