所有文章 · SURL AI News

OEO 讓 GPT‑5.5 自行編排代理改進流程，14 組比較取得 12 勝

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。

一項預先註冊的重現性稽核發現，能執行並觸發崩潰的漏洞 PoC，不一定真的重現指定 CVE。受查的 30 個案例中有 20 個在修補版本仍觸發相同訊號，顯示代理安全基準需要比字串與退出碼更嚴格的判定器。

DSLE 以 Docker、Wine、虛擬顯示器與程序記憶體讀取，把商業遊戲中的即時戰鬥改造成可平行重設的強化學習基準。五種基線只穩定攻克教學頭目，而論文所稱已公開的程式目前尚未出現在儲存庫。

Coderlet 將模型呼叫、工具驗證、執行結果與持久記憶拆成三個明確邊界，並以 MIT 授權提供可執行的 Python 實作。它適合研究代理控制流與失敗復原，不是性能更強的編程代理，而且目前會直接沿用使用者的作業系統權限。

Google 將低延遲對話、深度臨床規劃與影音感知拆成三個非同步代理，在 100 個模擬視訊問診情境的整體評分高於醫師組的 68%。研究仍只使用專業病人演員，模型、程式及影音資料亦未公開，不能直接外推至真實醫療部署。

北京大學研究者讓多模態模型只負責解讀操作意圖，再由 Text／Icon 候選偵測器與凍結 CLIP 選出點擊區域，ScreenSpot-Pro 準確率由所列最佳基線的 18.9%升至 41.3%。論文所稱「無回歸」只適用於最終匹配階段，候選框偵測器本身仍使用框回歸損失，而且尚未公開實作。

Open-EA 把多輪視覺模型評測軌跡整理成 10,042 筆監督資料，將原本依賴 GPT-4o 的規劃流程移植至本機 EA-3B。模型、資料建構與 runtime 已公開，但「評測時間降至傳統方法 10%」主要來自原始 API 代理，不能直接視為 EA-3B 的普遍效率保證。

TIDE 不再把高 token 一致率直接視為蒸餾成功，而是分別處理學生過度生成及漏掉教師偏好 token 的問題。強錯配設定下，方法同時把平均回答長度縮短 3.6 倍，但重現完整訓練仍需八張 GPU，且作者未提供 checkpoint。

ElasticBack 把惡意規則藏進 `SKILL.md`，再以自然語句中的特定概念作為啟動開關，毋須修改模型權重。實驗顯示攻擊可避過多種靜態與執行期檢查，但 Claude 上的誤觸率仍達 20% 至 24%。

QueryProof 把歧義判定、SQL 白名單與執行後驗證交給確定性規則，只讓模型處理指標解析及 SQL 草擬。它在 80 題凍結測試集勝過未配置相同外殼的 32B 基線，但按題型家族重抽樣後，優勢區間仍跨越零。

P³ 要求代理在寫程式前先統一規劃實作結構、輔助引理與證明分解，避免完成程式後才反覆修補證明。它在三套 Lean 4 基準的全部模型組合均勝過比較流程，但最難的儲存庫任務最高仍只解出 22.2%。

ArchAgent v2 將 L1D、L2 與 LLC 預取器分階段演化，再以即時容量檢查淘汰超出硬體預算的候選。最終設計在 DPC4 模擬環境比人工冠軍 BertiGO 高 0.3%，但尚未經實體晶片驗證。