代理工具
CalibForge 以強弱代理校準 5,431 項終端任務，35B 模型在 Terminal-Bench 2.0 達 47.57%
CalibForge 不再保留所有能執行的合成題，而是反覆修改任務，直到不同求解代理出現預定的成功與失敗關係。用校準軌跡微調的兩款模型在三項程式代理基準均有增益，但完整訓練需要 64 張 H20，且部分結果只執行一次。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
AI 安全
MIST 測出 23 款模型皆受錯誤提示影響，SCOPE 將 Qwen3-4B 答案翻轉率由 35.0% 降至 16.3%
新基準用四種配對情境區分模型是正確判斷證據，還是索性忽略所有外部資訊。SCOPE 只改造 DPO 的偏好資料配置，降低錯誤情境造成的答案翻轉，同時維持正確與無關情境下的準確率。
時間序列與檢索增強
TS-RAG 以參考 token 融合歷史序列，六項預測資料集平均 MSE 降至 0.310
百度研究者把 RAG 從文字生成移植到多變量時間序列，以 TCN 檢索相似片段，再用交叉注意力融合。加入通道依賴的版本在六套資料集優於所列基線，但程式尚未公開，採用的傳統基準也已被維護者警告可能失去鑑別力。
最新模型
影片模型在高頻多事件區僅答對 0.2%，增加取樣幀仍未找回事件證據
擴充版 Low Frequency Trap 以 2,190 段可程式化影片，把事件數量與頻率分開測量。Gemini 3.6 Flash 的彈球計數準確率隨取樣增加而上升，但時間戳序列 F1 反而只有 3.7%。
最新模型
視覺模型會放大圖片卻未必採用證據，Qwen3‑VL‑8B 的淨增益僅 6.9 個百分點
新研究以反事實裁切測試六款開放模型，區分「呼叫工具」與「工具回傳內容實際改變答案」。多數正向增益集中在少數校準良好的軌跡，單看最終準確率可能高估視覺工具能力。
代理工具
EnvACE 讓代理自行扮演工具環境，Qwen3-8B 在三項基準平均達 32.91%
EnvACE 在訓練時不查詢外部環境，而由同一策略交替產生工具動作與想像中的環境回應。它降低建立可執行訓練環境的依賴，但也把模擬錯誤直接吸收到代理參數中。
硬體
MicroEvo 以 LLM 與 MCTS 搜尋處理器設計，達標所需模擬次數較 NSGA-II 少 10.6 倍
MicroEvo 把處理器設計知識、Pareto 樹搜尋及歷次 PPA 回饋結合，用較少模擬尋找效能、功耗與面積折衷。最高 36.2% hypervolume 增益來自模擬設計空間，尚不能等同實體晶片改善。
推論系統
PaDoc 以版面分支平行解析文件，單張 A800 吞吐量最高提高 118%
PaDoc 讓版面序列與各區域內容共用頁面前綴並行解碼，避免把整頁文件串成單一路徑。2.1B 模型在 OmniDocBench 維持 94.24 整體分數，但效能數字來自單一 GPU 與特定排程設定。
3D 生成與具身 AI
iARCS 讓 LLM 生成 3D 場景獎勵程式，物件碰撞率由 52.67% 降至 40.45%
iARCS 先修正室內場景生成器的碰撞與可行走性，再把自然語言需求編譯成可執行獎勵函式進行第二階段強化學習。它在 3D-FRONT 實驗優於 MiDiffusion 的幾何指標，但每項新需求都要另訓練 LoRA，且作者尚未發布實作。
代理工具
TutorMoments 重播真實教學決策，測出七款 LLM 預設傾向過度提示
Ai2 以 462 份真實數學家教逐字稿建立可重播評測，要求模型在「提供鷹架」與「要求學生深入推理」之間選擇。明示兩者取捨可改善七款模型表現，但模擬學生與模型評分仍不能證明真實學習成效。
代理工具
SMRC-SD 先核對代理狀態再蒸餾成功軌跡，Qwen3-1.7B 任務成功率提高約 12 個百分點
成功示範不一定適用於代理繞路後抵達的狀態，無條件提供完整軌跡甚至可能壓低正確動作機率。SMRC-SD 只在狀態與示範步驟相容時加入自我蒸餾訊號，在 ALFWorld 與 WebShop 均優於完整路徑基線。
代理工具
ERA 回溯疫情預測的 11% 優勢遭重估，資料修訂洩漏可解釋幾乎全部增益
新分析發現，Google ERA 使用季後整併資料回測，實際取得了 CDC 模型預測當時尚不可見的修訂資訊。資料幾乎未修訂時兩者 WIS 相若，顯示 AI 預測基準必須保存每個時間點可用的資料版本。