代理工具
Orcetra 自揭 AutoML 基準失真：同一子集勝率由 59.4% 降至 34.3%
Orcetra 原稱在 513 套 OpenML 資料上大幅勝過 FLAML 與 AutoGluon，但作者稽核後發現測試集洩漏及算力不對等。修正協定後，三套系統在重跑子集已無統計顯著差異。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
代理工具
ResidencyRL 以最長 60 輪模擬問診訓練臨床代理，對抗案例診斷率升至 88%
Google 團隊讓 Gemini 3.5 Flash 在模擬患者、文件工具與多維臨床獎勵中接受多輪強化學習。模型在對抗問診中減少漏看危險徵兆，但訓練系統未開源，也尚未完成真實患者的前瞻驗證。
代理工具
Shepherd v0.3.0 將代理修改留作可審核提案，但論文展示的自動分叉監督仍未完整交付
Shepherd 把模型呼叫、工具操作與檔案變更記成持久執行軌跡，讓使用者在修改進入工作區前檢查或捨棄。最新文件同時明確指出，論文與專案首頁展示的 meta-agent 委派、執行中分叉及自動重試介面，尚不是 v0.3.0 可直接使用的功能。
AI 安全
Muse Code 預設載入 Claude 與 Codex 個人指令，跨供應商相容性引出資料邊界問題
獨立測試發現，Meta 的 Muse Code 會在啟動時尋找使用者家目錄中的 `CLAUDE.md` 與 `AGENTS.md`，並把內容納入送往模型端點的上下文。這種相容性設計不等於任意檔案外洩，但可能把原本只預期交給另一家供應商的個人規則、內部路徑或敏感提示傳給 Meta。
最新模型
CellWorld 改以潛在細胞表徵預訓練，5.74M 模型在 18 項空間轉錄體任務勝過所列基線
CellWorld 不直接重建被遮蔽的基因值，而是根據鄰近細胞與少量表達提示預測目標編碼器的潛在表示。程式與訓練配置已採 MIT 授權公開，但預訓練權重仍放在需核准的私人儲存庫。
最新模型
AgentPatch 免訓練修補多模態代理合併，六項基準平均分由 54.5 升至 56.6
AgentPatch 先找出模型合併後的弱項，再只恢復專家模型的獨有殘差與關鍵 FFN 神經元。它輸出單一靜態 checkpoint，無需路由或推論期代理，但完整評測轉接器與模型權重仍未公開。
GitHub Repo
Open Science v0.12.1 將科研代理的壓縮、執行與產物證據留在本機工作區
AIPOCH 的 Apache‑2.0 桌面工作台整合模型代理、Python／R 核心、科學資料連接器及不可變產物版本。8 月 9 日更新讓上下文壓縮可見，並修正 Codex MCP 核准與 Windows notebook 執行問題，但仍未達可攜式完整重播。
AI 安全
OpenAI 暫停部分 Astra 開發：初測無法排除模型已達「Critical」網攻能力
OpenAI 表示 Astra 的代理編碼與網路攻防能力進展，使其無法排除模型已跨入最高風險門檻。公司已隔離測試環境、限制工具與網路存取，並讓監控器檢查代理的推理軌跡與高風險行動。
代理工具
DiDPO 把程式 diff 拆成信用單元，Qwen2.5-Coder-7B 主要評測平均升至 48.4%
DiDPO 不再把整次代理執行的成敗平均分配給所有 token，而是比對多條軌跡中的相似子 diff。公開的 verl-code 已包含訓練入口與資料配方，但尚無作者模型 checkpoint，實驗也不是完整軟體庫修復。
代理工具
Fisher-R1 以可驗證 p 值訓練統計代理，P-Hard 嚴格 pass@1 達 33.0%
P-Bench 要求代理自行選擇統計方法、執行 R 程式並回報 p 值，不再只檢查程式能否執行。14B 模型在困難題的嚴格指標領先所列開放模型，但目前公開儲存庫仍只有說明文件。
推論系統
Ling-3.0-flash INT4 單機實測達 38.7 token/s，錯用主線 vLLM 可能無聲產生錯誤輸出
社群部署配方在單台 DGX Spark 上啟用 CUDA Graph 與一層 MTP 推測解碼，把 Ling-3.0-flash INT4 的生成速度由 20.8 提至 38.7 token/s。更關鍵的發現是主線 vLLM 尚未支援 V3 架構，強行套用舊注意力路徑不一定報錯，卻可能輸出看似流暢的錯誤內容。
代理工具
HarnessOpt-Bench 測試模型改寫代理外殼，模型選擇的影響約為編碼工具 1.8 倍
Scale AI 將提示、工具、記憶與控制流程視為可由模型修改的程式，並以隱藏測試集衡量實際增益。111 次實驗顯示，原生編碼代理並未穩定勝過共用外殼，驗證階段看到的最佳分數也普遍偏樂觀。