最新模型
OctoLong 以跨程式庫依賴鏈訓練長上下文模型，8B 版 RepoQA 得分升至 64.63
OctoLong 不再把單一程式庫直接串接成長文本，而是沿 AST、語言伺服器及套件相依關係遞迴收集實作。研究團隊釋出 600M 至 14B 模型，實驗顯示依賴密集資料同時改善程式碼檢索、狀態追蹤與 API 使用。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
最新模型
代理工具
ABSeeker 從正確答案反推搜尋線索，4B 模型 BrowseComp 成績升至 55.3%
ABSeeker 將搜尋代理的最終成敗拆成逐步獎勵，保留失敗軌跡中的有效查詢並壓低成功軌跡中的錯誤步驟。團隊已公開 4B 權重、推論及訓練管線，但最佳成績仍倚賴額外的上下文管理與 LLM 裁判。
代理工具
KV cache 不等於「潛在思維」：錯配快取揭露多代理增益可能只是介面效應
新研究以錯配、歸零及隨機 KV cache 重新稽核多代理潛在通訊，發現移除快取造成的大幅退步，不一定證明接收者使用了發送者的特定資訊。部分自然評測中，歸零使準確率下降 14.7 點，換成其他題目的快取卻只差 0.4 點。
AI 安全
小型模型自報信心難以直接控風險，22 組設定僅三組通過 20% 錯誤上限
新研究在 11 款開放權重模型上檢驗「模型自報信心」能否決定何時轉交人工。Platt 校準雖可把 ECE 降至最低 0.02，嚴格的有限樣本驗證仍在 10% 風險上限下拒絕所有自主作答設定。
最新模型
WorldCycle 用可逆動作自製驗證訊號，影片世界模型複合動作準確率提升四倍
WorldCycle 把動作及其反向操作組成封閉迴圈，無須真實未來影片即可量測長期狀態漂移。研究在 8B 影片世界模型上降低最多 44% 的循環誤差，複合動作準確率由 0.136 升至 0.553。
AI 安全
新基準發現隱性偏誤可繞過思維鏈監控，部分設定偵測率僅 5%
新研究以成對提示比較模型受到明示指令與隱性暗示影響時，思維鏈是否會留下可偵測證據。七款推理模型在部分隱性設定仍改變答案，監控器的偵測率卻比明示設定低最多 46 個百分點。
最新模型
HIVE 發現語音轉錄比鍵盤錯字更傷 LLM 推理，增加思考預算也未能補回
新研究以語音轉錄與 QWERTY 鍵盤擾動測試指令模型，發現語音造成的結構改寫會一致降低作答表現。提高推理預算幾乎可修復鍵盤通道，卻無法同樣挽救口語輸入。
代理工具
GDPevo 以規則重組測試代理自我演化，完整提示仍領先自主學習逾 30 點
GDPevo 將企業流程拆成原子規則，再於保留測試題重新組合，以判斷代理能否從先前任務累積可轉移策略。公開結果顯示自主演化確有增益，但距離取得完整規則的 91.6% 上限仍遠。
UNLINK-VL 揭露多模態遺忘落差：文字刪除難以阻止模型從圖片找回知識
新基準以可視辨識的真實實體測試視覺語言模型，發現只用文字做知識遺忘，效果不易轉移至圖片與跨模態問答。多模態遺忘可回頭通過文字測試，顯示單一文字評測可能高估刪除成效。
代理工具
AI 科學家改用賽車與牌組做前瞻評測，GPT-5.2 的 166 個構想僅命中 10 項實際創新
新評測先封存模型構想，再以賽季技術與職業賽牌組作為延遲出現的答案，降低回溯基準的資料污染疑慮。結果顯示模型不缺看似合理的點子，瓶頸反而是篩選、組合及辨識真正有用的新意。
AI 安全
FACTWASH 在代理寫入記憶前攔截語氣漂移，否定詞跨域檢測 F1 達 0.91
開源工具 FACTWASH 比較來源與待寫入內容，阻止「有人聲稱」在摘要後變成確定事實。它以零依賴規則處理可枚舉線索，再把較開放的避險語與歸屬判斷交給受限模型元件。
代理工具
TurnSight 用工具執行結果回看每一回合，Qwen3-8B 三項評測平均升至 42.02
TurnSight 不再把最終成敗平均分配給整條工具軌跡，而是利用後續工具回傳重新評估各回合的決策。作者已公開 4B、8B 檢查點、資料與訓練程式，但額外教師分支會提高訓練成本。