推論系統
KVDiagnosis 逐筆追查 KV 快取壓縮失敗，公開 12,520 筆正確轉錯誤案例
KVDiagnosis 不只比較長上下文總分，而是為每種壓縮設定建立 FullCache 配對，追蹤證據保留、注意力及機率漂移。團隊亦因實作稽核排除 7,800 組結果完全相同的 PyramidKV 紀錄，凸顯跨方法評測容易被轉接器錯誤污染。
Archive
GitHub Repo
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
推論系統
AI 安全
SHE 從代理執行軌跡改寫安全外殼，攻擊成功率由 17.1% 降至 5.5%
SHE 把代理安全外殼拆成系統提示、規則庫、安全記憶與工具政策，再依失敗軌跡局部修訂。它在 Agent-SafetyBench 同時降低攻擊成功率與誤拒率，但真實部署仍須防範評分器偏差及規則自我膨脹。
最新模型
擴散式 LLM 的安全神經元可跨架構轉移，剪枝使拒答繞過率升至 86.6%
新研究指出，從自回歸模型改造而來的擴散式 LLM，可能連同集中在少數神經元的安全機制一起繼承。研究者亦用開放擴散模型離線生成攻擊提示，但承諾的完整程式尚未發布。
推論系統
Laguna S 2.1 INT4 搭 DFlash，四張 RTX 3090 實測 200K 上下文與峰值 282.5 token/s
社群公開可重現的 vLLM 配方，以四張 24GB RTX 3090 部署 Laguna S 2.1 INT4，並用精度匹配的 DFlash 草稿模型跑過 190K-token 實際請求。282.5 token/s 是特定設定下的峰值而非持續吞吐，低位元量化的品質與相容性也仍高度依賴 checkpoint 和執行引擎。
PTQ4SNN 同時量化權重與膜電位，事件分類僅損失 1 個百分點
PTQ4SNN 把脈衝神經網路長期保留的浮點膜電位納入後訓練量化，按通道配置 2、4 或 8 位元。論文在分類與語意分割上接近浮點模型，但硬體收益仍來自分析模型，且專用程式尚未公開。
代理工具
SkillProx 驗證再收斂代理技能，Qwen3.6-27B 表格任務準確率升至 54.5%
SkillProx 不直接保留模型提出的技能修改，而是重新執行任務、回滾退步版本，再刪除效用為負的知識單元。三款 Qwen 模型在表格任務均獲得增益，但作者目前只公開兩次提交的空殼儲存庫。
RAG／文件理解
DocMemo 以貝氏頁面記憶重查長文件，MMLongBench 準確率達 71.3%
DocMemo 不把首次檢索的 top-k 頁面視為定案，而是把推理回饋寫回頁面相關性分布並重新取樣。三層記憶在長文件問答帶來增益，但評分依賴 GPT-4.1，公開儲存庫也仍相當精簡。
代理工具
A²E 統一 23 項基準與 9 種代理外殼，單格評測仍只有 5 題
上海人工智慧實驗室公開 A²E，以 Agent Task Protocol 解耦基準、代理外殼與軌跡評分。1,035 次配對實驗顯示外殼會改變工具使用與 token 成本，但樣本量不足以支撐框架排行榜。
代理工具
TEPA 撤銷過期代理記憶，反轉任務成功率由 21.0% 升至 95.0%
TEPA 為長期記憶加入可撤銷的有效狀態，讓被新證據推翻的內容退出一般檢索但保留稽核紀錄。方法能修復單跳衝突，遇到多跳或 262K 長上下文時卻幾乎失效。
RAG 與金融 AI
FinRank 用 6,021 個混淆段落測金融 RAG，7B 嵌入模型 Recall@10 僅 44.8%
FinRank 要求系統從 SEC 文件找出公司、期間及披露語境都正確的證據，而不只產生數值正確的答案。資料集與評測程式已公開，但非商業授權及標註限制會影響採用方式。
代理工具
Orcetra 自揭 AutoML 基準失真：同一子集勝率由 59.4% 降至 34.3%
Orcetra 原稱在 513 套 OpenML 資料上大幅勝過 FLAML 與 AutoGluon，但作者稽核後發現測試集洩漏及算力不對等。修正協定後，三套系統在重跑子集已無統計顯著差異。
代理工具
ResidencyRL 以最長 60 輪模擬問診訓練臨床代理，對抗案例診斷率升至 88%
Google 團隊讓 Gemini 3.5 Flash 在模擬患者、文件工具與多維臨床獎勵中接受多輪強化學習。模型在對抗問診中減少漏看危險徵兆，但訓練系統未開源，也尚未完成真實患者的前瞻驗證。