代理工具
代理記憶拆成子任務後轉移較可靠，文字技能平均領先程式碼 2.9 點
一項跨九款模型、三套長流程評測的研究顯示，從完整任務歸納的技能通常令代理退步，從子任務歸納則平均帶來增益。自然語言流程筆記也比可執行 Python 技能更穩定，但效果仍高度依賴模型與評測。
Archive
GitHub Repo
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
代理工具
代理工具
MemTrapBench：加入相關記憶後，五種代理記憶策略反而至少掉 10.66 分
MemTrapBench 不測記憶能否被找回，而是測正確、相關的舊經驗會否把模型鎖進錯誤策略或信念。五種記憶方法在兩款模型上均不如無記憶基線，簡單提示式護欄則只能追回部分損失。
代理工具
SAPO 讓單一自回歸模型兼任 actor 與 critic，代理 RL 每輪訓練快 33.2%
SAPO 利用生成序列的兩個因果邊界，同時讀出狀態值與動作值，毋須獨立 critic 或同題多次 rollout。Qwen2.5-7B 在 ALFWorld 與 WebShop 的整體指標皆勝過 PPO、GRPO，但目前仍缺少公開實作驗證。
最新模型
DECOWAM 拆分機器狗底座與手臂表徵，只更新 2,595 萬參數便將動作 MSE 降低 21.7%
DECOWAM 在凍結的 60.2 億參數 FastWAM 上加入底座、手臂及相機自我運動介面，部署時只使用當前觀測預測 48 步動作。實體機器人測試的整體完成率僅略高於 FastWAM，但底座受擾穩健率由 12.7% 提高至 30.4%。
推論系統
Axon 以強型別 DSL 生成五種 LLM 後端，MLX 中位延遲降至 Transformers 的 48.3%
Axon 將模型架構寫成具符號張量形狀的函數式規格，再編譯至 PyTorch、Triton、JAX、MLX 與原生 vLLM。467 組推論測試顯示多數生成模型加速，但部分 BF16、編碼器及序列到序列模型仍出現精度或效能退化。
代理工具
限制模組可見資訊促成可重用潛在通訊，10 組配對實驗有 9 組領先至少 20 點
四個共享 Qwen2.5-0.5B 與同一 LoRA 的模組，只因注意力遮罩不同，便學出截然不同的組合策略。限制每個模組只能看到自己的證據片段，較容易形成可跨樣本移植的中間值通訊，但預先註冊的整體成功門檻仍以 0.0012 之差落敗。
AI 安全
凍結的 Qwen3-8B 也會產生「能力擴張」，研究要求自我改進評測加入實測虛無基線
新研究發現，單次貪婪解碼與不穩定門檻可讓完全未訓練的模型看似獲得或失去能力。改用逐題精確檢定後，三種自我訓練只穩定強化既有能力，未能證明取得基礎模型從未觸及的新能力。
代理工具
CentaurBench：最會獨立解題的模型，未必最會指導另一個代理
CentaurBench 以七類工作任務分開評估模型的自動化與輔助能力，兩種排名的相關係數僅約 0.48。無輔助的 GPT-3.5-Turbo 在三項任務勝過所有受指導版本，顯示加入強模型不必然改善代理流程。
代理工具
TrueForge 開源代理執行框架，14 項企業任務成本宣稱較受管服務低 30% 至 75%
TrueFoundry 以 MIT 授權釋出 TrueForge，將代理迴圈、MCP 工具、按需沙盒、子代理及核准流程組成可自行託管的執行框架。官方在 Enterprise-Bench 報告相同模型可節省約 30%，改用 GLM-5.2 則節省約 75%，但比較僅涵蓋 14 項任務。
代理工具
Slack Code 將程式代理搬進共享頻道，支援差異檢視、即時預覽與人工核准
Salesforce 推出 Slack Code，讓團隊從對話直接建立專案專屬 Code Channel，並共同監看、修正及核准代理產生的程式碼。首波串接 Claude、Devin、GitHub Copilot、ChatGPT 與 Vercel 代理，但安全隔離、權限粒度及 API 細節仍未完整公開。
代理工具
AFANet 以 6.5 萬可訓練參數診斷多代理故障，域內推論由 199 秒縮至 1.16 秒
AFANet 把代理對話轉成含時間及同代理連線的圖，再以兩層 GCN 判斷故障代理與錯誤類型。它在 AEGIS-Bench 勝過多款 LLM 基線，但跨資料集的代理—錯誤配對 F1 仍偏低。
代理工具
DeepWeaver 先編織證據再生成答案，DeepSeek-V4-Flash 論據充分度由 75.4% 升至 86.5%
DeepWeaver 以 Thought Block Chain 整理主張、關鍵資訊與來源，再反覆檢查尚未利用的證據。它改善多款模型的長篇回答與引用指標，但新評測集中於中文水環境問題，程式碼也尚未真正釋出。