代理工具
AgentLens 把程式代理評測移到生產軌跡，支援夜間回歸與失敗診斷
AgentLens 不只檢查代理是否解出程式題，而是審查完整互動軌跡與實際產品結果。開源基準可用於比較模型版本、定位行為退化，並接入持續整合流程。
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
OmniaBench 以 1,431 項跨場景任務檢驗通用代理，前沿模型 Pass@1 仍低於六成
OmniaBench 建立具明確狀態空間的跨工具、跨互動形式代理測試，並提供 644 題精簡困難集。結果顯示，規劃、約束維持與錯誤後調整仍是前沿代理的共同弱點。
最新模型
Meta Muse Spark 1.1 開放 Model API，主打百萬 token、平行工具呼叫與多模態代理
Muse Spark 1.1 首次透過 Meta Model API 公開預覽，並提供 OpenAI 相容介面。模型把百萬 token 上下文、搜尋引用、結構化輸出與平行工具呼叫整合成代理基座。
應用研究
ByteDance UniVR 讓模型在視覺空間中推理、模擬動態並規劃長期行動
UniVR 嘗試只從視覺示範共同學習複雜推理、物理動態與長期規劃。ByteDance 同步公開 34B Planning 檢查點，為不依賴文字思考鏈的視覺代理研究提供可測試基線。
GitHub Repo
Gemma 4 12B 以單一 Transformer 直接處理影像與音訊，降低多模態部署複雜度
Google 發布 Gemma 4 12B 開放權重模型，以線性投影取代獨立視覺與音訊編碼器。新架構簡化微調與本機推論，但官方效能數據仍須由獨立測試驗證。
LiteRT.js 把 LiteRT 原生推論堆疊帶進瀏覽器，串接 WebGPU、Wasm 與實驗性 WebNN
Google 發布 LiteRT.js，讓網頁應用直接執行 `.tflite` 模型，並依裝置使用 CPU、GPU 或 NPU。它把瀏覽器端 AI 從 JavaScript 核心推向跨平台原生執行堆疊，但效能與相容性仍高度依賴瀏覽器及硬體。
Google 推出 LiteRT.js，將原生 LiteRT 推論路徑帶進瀏覽器
LiteRT.js 透過 WebAssembly 封裝 Google 的跨平台推論執行期，並以 XNNPACK、WebGPU 與實驗性 WebNN 分別對應 CPU、GPU 與 NPU。它讓既有 `.tflite` 模型更容易移至用戶端執行，但效能與相容性仍高度取決於瀏覽器及裝置。