所有文章 · SURL AI News

Bench2Robust 注入九類工具故障，69／70 組代理測試出現性能倒退

Amazon 研究團隊把既有工具使用基準改造成可控制「重試、切換或停止」的故障環境。Qwen3-4B 加入結構化復原資訊後，受干擾零售任務通過率最高增加 16.8 個百分點，但系統尚未真正驗證不可解任務上的正確棄權。

StateFlow 把物件幾何、姿態、語意狀態及攝影機保存成可編輯的 3D 世界，再讓影片模型負責視覺潤飾。30 人實驗給予其影片預視 4.5／5 的整體評分，但系統依賴多個封閉模型，程式亦尚未公開。

一項強到弱測試時轉移實驗，讓較強模型替固定的小模型編寫路由、格式檢查與確定性求解程式，而不更新其權重。最佳 harness 修正約 83% 的基線錯誤，但成績高度依賴可被編譯成規則的心智理論基準。

Liquid AI 發布 3.1B 參數的 LFM2.5‑VL‑3B，加入畫面定位、版面 OCR、多圖理解與函式呼叫能力。官方在 Apple M5 Max 測得 228 token/s，單張 H100 高併發吞吐約 11,000 token/s，但數據尚待獨立重現。

一項 LoCoMo 實驗發現，通用摘要會保留人物與事件，卻選擇性丟掉日期、時間及持續長度。明確要求逐字保留時間錨點後，時序問題的評審準確率由 15.6%升至 47.0%。

OEIS Open 讓通用語言模型在固定成本內證明或否證 492 個整數序列猜想，初始 SafeVerify 評分為 147 題通過。另一套 Lean 驗證器重查後確認 144 題，凸顯形式化基準仍會受到規格與檢查器差異影響。

IBM 的 VAKRA 將 API、文件檢索及自然語言政策放進同一條可執行軌跡，最強模型在不同 API 介面上的完整正確率只有 50% 至 70.4%。當政策令問題無法回答時，部分模型的成功率更降至 2.4%。

InclusionAI 公開 7.9B 參數的 Ling‑3.0‑tiny，混合線性注意力與稀疏 MoE，並提供 BF16、FP8 及 INT4 權重。官方稱 FP8 在 M4 Pro 可達每秒 86 至 90 token，但 vLLM 與 Ollama 支援目前仍未完全進入上游穩定版本。

IO Factory 將敘事規劃、代理發文、平台曝光、受眾狀態更新與基準比較串成可追溯的模擬生命週期。系統已在十萬名模擬平民及一萬名操作代理的設定下完成執行，但所有影響數值都來自人工配置規則與 LLM 評審。

ReTree 把搜尋代理的摘要、證據來源與修訂歷史存成依賴樹；新資料推翻舊前提時，系統會回到引入錯誤的節點並刪除受影響分支。四項搜尋基準顯示它同時縮短每步上下文並改善答案，但硬式剪枝可能丟失其實不受衝突影響的資料。

SKILLER 不更新小模型權重，而是讓強模型根據執行軌跡與驗證器回饋反覆修改文字技能。Qwen3.5‑9B 在 SWE‑Skills‑Bench 的三次執行平均分數由無技能時的 26.2% 升至 82.8%，但技能生成仍依賴 GPT‑5.4 與成功參考軌跡。

Meta 公開 Muse Glimmer 30B 權重、視覺編碼器及 DFlash 草稿模型，17GB 版本可在 24GB VRAM 內同時執行文字、影像與推測解碼。官方在 RTX 5090 測得平均 233.4 token/s，但安全評測與部署細節顯示它仍需要外部防護及新版 runtime。