代理工具
HarnessOpt-Bench 將代理外殼最佳化變成評測，模型選擇影響約為 coding harness 的 1.8 倍
HarnessOpt-Bench 要求模型在固定評估預算內修改提示、工具、記憶與控制流程，再以不可見測試集計算實際增益。111 組實驗顯示，模型本身造成的差異大於外層 coding harness，但原生工具並未穩定勝出。
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
TrajDebug 追蹤代理錯誤生命週期，失敗診斷讓重跑成功率平均提高 10.8%
TrajDebug 不把代理軌跡中的第一個錯誤直接當成根因，而是追蹤錯誤是否修復、留下終局影響及消耗復原預算。團隊以 486 條人工標註軌跡測試，診斷轉成提示後使相同任務重跑成功率平均提高 10.8%。
最新模型
新研究指出 Adam 會打破矩陣分解對稱性，相同函數可收斂至不同注意力表示
研究將 Adam 與低秩恢復差異追溯至逐座標預條件器不具 gauge equivariance。公開實驗中，兩個功能等價初始化經 Adam 訓練後，其注意力不變量相差 56%，但結論尚未經大型模型預訓練驗證。
最新模型
DASH 依推理軌跡動態分配蒸餾權重，Qwen3 三種規模皆優於固定權重基線
DASH 不再等量處理每個 token 的教師—學生差異，而是依整條生成軌跡調整監督可向前傳播的距離。作者在三項數學基準報告穩定增益，並公開訓練程式、評測流程與 LoRA 權重。
Reasoning Core 以 50 種程序生成器擴充監督資料，3B 模型 DROP F1 由 33.1 升至 41.7
Reasoning Core 用可執行評分器、難度控制與短答案格式產生數學、規劃、形式證明及程式題。匹配訓練實驗顯示它優於三套程序資料集，但作者也在外部資料庫發現生成器與評分器不一致。
代理工具
36,710 個 GitHub 專案只留下 85 份代理計畫，多數尚非長期維護文件
新研究區分常駐的 AGENTS.md 與針對單一任務的 Agent Plan，檢查計畫如何進入公開版本歷史。樣本高度集中於少數專案，顯示「計畫即協作產物」仍是早期且不穩定的實務。
代理工具
Meta 推出 Muse Code：以持久背景代理與事件日誌支撐長時程程式任務
Muse Code 將 Muse Spark 1.2 包裝成終端機代理，能在隔離 worktree 內平行處理大型程式庫。其附加式事件日誌可在程序中斷後重建狀態，但效能數字主要仍由 Meta 自行提供。
AI 安全
Canary Tools 將代理選錯工具拆成六類，八款模型受騙率相差約 36 倍
新評測在 MCP 工具清單植入語意誘餌、參數陷阱與能力幻象等定向探針，藉錯誤呼叫定位代理的選擇弱點。11,520 次實驗顯示模型等級不能穩定預測安全性，而受騙後能否自行退出，會把任務成功率由 16% 拉升至 52%。
代理工具
Argus 讓固定權重代理累積經驗，SWE-Bench Pro 準確率由 59% 升至約 78%
Argus 把長期任務拆成受限 mission，並由 Manager、Planner、Engineer 與 Reviewer 共同維護可持久化狀態。作者報告它以 1.41 倍 token 成本提高程式修復成績，代理產生的 RWKV6 核心亦經外部修正後合併至開源專案。
代理工具
ContextWeave 以千項可執行辦公任務重測代理記憶，偏好分數由 41.50 升至 70.60
ContextWeave 不再只問代理能否找回舊資訊，而是檢查記憶能否改善後續文件與辦公工作。實驗顯示保留可採取行動的完整經驗優於短摘要，但錯誤回憶也更容易影響執行結果。
代理工具
MatrAIx 以 1,290 維屬性合成 83 億 persona，開源百萬筆核心集測試 AI 產品
MatrAIx 將相關人口屬性組合成 83 億筆模擬使用者，並讓 persona 代理操作問卷、聊天機器人、網站與應用程式。團隊開放約百萬筆核心資料與評測程式，但目前驗證只能證明代理遵循指定角色，不能證明其可取代真人測試。
AI 基礎設施
Azure 實測代理工作流暴露 CPU–GPU 碎片化，Agora 回收閒置算力仍保住尾延遲
Microsoft Azure 研究顯示，代理在模型推論、工具與協調器之間反覆切換，使 CPU 重新進入關鍵路徑，GPU 卻經常閒置。原型系統 Agora 可依工作流型態回收算力，但錯誤壓縮平行代理的 GPU 配置反而會讓尾延遲惡化 16 倍。