代理工具
ComponentBench 拆解 2,910 項網頁操作，同一代理因介面模式相差逾 34 個百分點
ComponentBench 不以完整工作流程掩蓋錯誤，而是逐一測試滑桿、日期選擇器、資料表與拖放等 UI 元件。GPT-5 mini 在相同任務及框架下，使用 accessibility tree 與純座標像素操作的成功率分別為 83.1% 和 48.9%。
Archive
GitHub Repo
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
代理工具
推論系統
MoE 路由器可減少 60% 快取失誤，但未通過 1% 困惑度退化門檻
一項預先註冊研究嘗試把專家局部性直接訓練進 MoE 路由器，卻發現快取改善與模型品質存在明顯交換。訓練與無訓練重路由疊加可再降低失誤，但仍未證明能轉化為等比例端到端加速。
代理工具
SkillGate 分離技能選擇與執行回報，9B 代理成功率由 40.8% 升至 53.2%
SkillGate 發現，長流程代理以結果獎勵訓練時，選擇技能的少量 token 幾乎收不到有效信用。新方法在同一次 GRPO 更新內拆分兩條梯度通道，並在五項代理評測中優於結果獎勵基線。
資訊檢索／RAG
DEPT 固定文件向量再端到端訓練查詢擴展，Qwen3-4B 的 BEIR 平均分升至 42.59
DEPT 讓同一個解碼器同時生成查詢擴展與編碼文件，並以保存損失避免既有向量索引隨微調漂移。五項 BEIR 測試優於分階段基線，但結果仍來自單次實驗及兩款小型模型。
最新模型
OYS 直接搜尋擴散模型去噪時間步，5 步生成保留 50 步品質的 89% 至 94%
OYS 不修改或蒸餾模型，而以貝葉斯最佳化為每個模型及任務尋找低步數去噪排程。研究在六款文字生成圖像模型及修補任務上報告改善，但搜尋成本需由大量預生成樣本攤銷。
代理工具
Wuying Browser Agent 以錯誤恢復資料訓練長流程操作，27B 模型在 BrowserBench 達 65.1%
阿里雲團隊把瀏覽器代理的錯誤恢復、複雜 UI 操作與長程信用分配納入同一訓練流程。27B 模型在新建的中英雙語 BrowserBench 取得 65.1% Pass@1，但模型權重與評測資料的公開可得性仍待確認。
推論系統
Qwen3.8-27B 在 RTX 4090 上可達 70 tok/s，主流部署仍依賴量化與 MTP 調校
Qwen3.8-27B 讓 27B 級模型進入單張 24GB 消費級 GPU 的可用範圍。公開資料顯示，一般 GGUF 部署約落在 30 至 60 tok/s；在 RTX 4090 上啟用 KV cache 量化、MTP 與新版 llama.cpp 後，社群實測可提升至 70 至 85 tok/s，但這仍不是開箱即得的基準。
推論系統
IOL-AI 以未公開語言學奧賽題測推理：14B 模型靠解碼流程把基線分數提高逾一倍
IOL-AI Challenge 要求系統先從少量例句推導陌生語言規則，再完成翻譯、轉寫與訂正。受限於單張 T4 的最佳提交把同模型基線 GM 由 9.40 提至 19.79，但與達到金牌線的封閉模型仍有明顯差距。
推論系統
TensorRT Model Connect 公開預覽：Hugging Face 模型可免經 ONNX 打包成原生 C++ 推論
NVIDIA 開源 TensorRT Model Connect，以兩道指令把受支援的 Hugging Face 或本機 checkpoint 建成可移交 C++ 應用的版本化 bundle。它縮短模型移植路徑，但目前定位仍是參考實作，支援範圍與效能須按模型、精度及硬體逐項驗證。
硬體
PTXBench 實測 LLM 直接寫 H100／B200 專用 PTX，沒有模型能穩定追上前沿核心庫
PTXBench 同時檢查生成核心是否正確、指定指令是否真的執行，以及相對 cuBLAS、cuDNN 與 FlashInfer 的速度。結果顯示，會寫出新架構指令不代表能把它轉成有效加速，B200 注意力核心尤其困難。
代理工具
StagedWorkspace 以內容雜湊同步代理的解析檢視與原生檔案，OfficeQA Pass@1 增加 8.3 至 12.1 點
新系統把文件代理的搜尋結果、原生檔案、差異檢視與最終提交綁定至明確版本，避免代理讀到舊解析內容卻編輯新版檔案。固定框架消融顯示，同時提供解析與原生檢視優於任一單一檢視，但完整程式與跨框架重現仍待補足。
AI 安全
醫療 LLM 在病人答覆前先給自理建議，短指令把出現率由 9／12 降至 0／12
新研究把評測前移至病人尚未清楚描述問題的首次接觸階段。加入「先釐清、後建議」的系統指令改善回應順序與交接摘要，卻仍未可靠問出決定性病史。