實體 AI／科學自動化
PUDA 以受限 CLI 與事件日誌連接實驗室代理，將生成式規劃隔離於硬體驅動層
PUDA 把自動化儀器公開為可探索的命令列工具，並以 JSON、NATS／JetStream 和穩定識別碼保存命令、量測及樣本來源。代理可以選擇下一場實驗，但實際硬體操作只能經過工程師預先撰寫及參數驗證的驅動方法。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
實體 AI／科學自動化
代理工具
CAPA 測試程式助理的跨工作階段記憶：同一使用者歷史讓首次成功率平均提高 15.6 點
CAPA 將使用者反覆省略的實作偏好植入 600 場可執行程式任務，檢驗助理能否從過往對話推斷新需求。十二款模型加入同使用者歷史後，最終成功率僅平均增加 6.8 點，但首次成功率提高 15.6 點，顯示記憶主要減少來回確認，而非消除失敗。
代理工具
TREK 以可執行規則驗證旅遊代理，最強模型完整可行率僅 46.2%
TREK 不再以 LLM 評審旅遊計畫，而是逐項驗證實體、預算、營業時間、交通與隱含需求。15 款代理中表現最佳者也只完整通過 46.2% 的可解任務，顯示局部正確仍難組成可執行行程。
AI 安全
SecRespond 重建入侵後鑑識流程，23 款模型無一完整偵測並修復單一靶場
SecRespond 讓安全代理分析遭入侵主機的唯讀磁碟快照，而非只在乾淨環境解攻擊題。23 款模型雖能重述告警，卻普遍漏掉未被告警揭露的植入物與修復驗證。
代理工具
CAM-DF 把代理工具排序改成成本停止決策，工具暴露量減少 37%
新研究指出，相關性排名只能決定工具順序，無法回答代理應載入多少工具。CAM-DF 直接學習繼續載入的邊際收益，在維持相近任務成功率下減少 37% 工具暴露。
AI 安全
MemTX 把代理共享記憶改成交易式提交，窮舉 550 萬個協定狀態未見安全規則失效
MemTX 不再讓代理寫入的資訊立即成為可執行事實，而是加入證據、權限、來源、快照隔離及驗證提交。研究在五款模型上報告零下游傷害，但結果仍來自受控評測，尚未證明能修復真實外部系統的不可逆副作用。
代理工具
OmegaUse-OfficeVal 為辦公代理加入逐任務成本標籤，最佳模型品質仍落後人類逾三分之一
百度研究團隊公開 100 項長流程文件、試算表與簡報任務，並附上人工工時、價格代理值及可執行驗證器。最佳模型平均得分為 17.91，人類基線為 27.79，說明推論便宜且快速仍不等於交付物可直接使用。
最新模型
AREX 讓研究代理反覆驗證未解條件，4B 模型以壓縮狀態維持長程搜尋
BAAI 將深度研究改寫成「搜尋—逐條驗證—定向補查」的遞迴迴圈，並訓練模型自行壓縮已確認證據與未解限制。4B密集模型與122B-A10B MoE權重已公開，但其優勢主要來自可自動驗證的合成任務，尚不能直接外推至開放式科學研究。
硬體
ACE-RTL 讓 Nemotron 反覆編譯與修正 Verilog，九類任務平均通過率達 97.1%
NVIDIA 將 Nemotron 3 Ultra 接入「生成—測試—反思」的 RTL 代理迴圈，在 CVDP 九類代理任務取得 97.1% 平均通過率。結果顯示可執行驗證能大幅強化晶片設計模型，但資料關聯、工具設定及供應商自測仍限制外推。
最新模型
Poolside 開放 Laguna S 2.1：118B MoE 每個 token 僅啟用 8.5B 參數
Laguna S 2.1 以滑動視窗、注意力閘門及 FP8 KV cache 壓低長上下文成本，主打可自行部署的代理程式設計。模型提供多種精度權重與完整評測軌跡，但百萬 token 能力、效能比較及單機可行性仍高度取決於量化格式與執行環境。
推論系統
同一模型兼任工具呼叫預測器，Qwen 4B 下一步命中率提高逾 17 點
研究團隊讓代理在推理期間預測並提前執行自己的下一個工具呼叫，以共用權重及 KV cache 取代外部草稿模型。聯合強化學習把兩款 Qwen 4B 模型的平均 Hit@1 分別提升至 61.2 與 66.3，但論文尚未量化真實並行部署的端到端加速。
AI 安全
SkillGate 以規則預篩代理技能，LLM 輸入量減少 77% 但仍漏掉近四分之一攻擊
開源 SkillGate 在代理載入技能前，以 530 條規則定位可疑片段，再交由 LLM 判斷與隔離。官方基準測得 1.13% 誤報率及 76.9% 召回率，顯示低成本閘道可行，但尚不能取代沙箱與最小權限。