最新模型
視覺模型會放大圖片卻未必採用證據，Qwen3‑VL‑8B 的淨增益僅 6.9 個百分點
新研究以反事實裁切測試六款開放模型，區分「呼叫工具」與「工具回傳內容實際改變答案」。多數正向增益集中在少數校準良好的軌跡，單看最終準確率可能高估視覺工具能力。
Archive
GitHub Repo
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
最新模型
代理工具
EnvACE 讓代理自行扮演工具環境，Qwen3-8B 在三項基準平均達 32.91%
EnvACE 在訓練時不查詢外部環境，而由同一策略交替產生工具動作與想像中的環境回應。它降低建立可執行訓練環境的依賴，但也把模擬錯誤直接吸收到代理參數中。
最新模型
DASH 依推理分歧動態分配蒸餾權重，Qwen3-1.7B 數學平均提高 3.2 分
DASH 不再等量處理每個 token 的師生差異，而是根據整段推理中的分歧變化調整監督範圍。三種 Qwen3 規模均優於同條件 OPSD，但最佳 checkpoint 由測試基準平均分挑選，可能高估泛化增益。
硬體
MicroEvo 以 LLM 與 MCTS 搜尋處理器設計，達標所需模擬次數較 NSGA-II 少 10.6 倍
MicroEvo 把處理器設計知識、Pareto 樹搜尋及歷次 PPA 回饋結合，用較少模擬尋找效能、功耗與面積折衷。最高 36.2% hypervolume 增益來自模擬設計空間，尚不能等同實體晶片改善。
推論系統
PaDoc 以版面分支平行解析文件，單張 A800 吞吐量最高提高 118%
PaDoc 讓版面序列與各區域內容共用頁面前綴並行解碼，避免把整頁文件串成單一路徑。2.1B 模型在 OmniDocBench 維持 94.24 整體分數，但效能數字來自單一 GPU 與特定排程設定。
3D 生成與具身 AI
iARCS 讓 LLM 生成 3D 場景獎勵程式，物件碰撞率由 52.67% 降至 40.45%
iARCS 先修正室內場景生成器的碰撞與可行走性，再把自然語言需求編譯成可執行獎勵函式進行第二階段強化學習。它在 3D-FRONT 實驗優於 MiDiffusion 的幾何指標，但每項新需求都要另訓練 LoRA，且作者尚未發布實作。
硬體
esp32-ai 將 2,890 萬參數模型塞入 ESP32-S3，離線生成達 9.88 token/s
開源專案 esp32-ai 以 4-bit 量化及分層記憶體配置，把約 2,500 萬個嵌入參數留在快閃記憶體，只按 token 讀取所需列。模型能在低於 10 美元的微控制器上離線生成文字，但能力仍限於簡短故事與單一領域問答。
推論系統
PhyAI 統一 VLA 與世界動作模型推論，官方路徑對照加速 1.40 至 4.65 倍
PhyAI 以模型轉接器保留各架構的條件、求解器與動作語意，再共用圖執行、核心、快取及多 GPU 服務。公開測試涵蓋 π0、π0.5、GR00T N1.7、Cosmos3 與 MiniCPM-Robot，但部分比較未使用完全相同的數值精度。
代理工具
TutorMoments 重播真實教學決策，測出七款 LLM 預設傾向過度提示
Ai2 以 462 份真實數學家教逐字稿建立可重播評測，要求模型在「提供鷹架」與「要求學生深入推理」之間選擇。明示兩者取捨可改善七款模型表現，但模擬學生與模型評分仍不能證明真實學習成效。
應用研究
Otter 以棋步歷史與時限預測人類決策，15.3M 參數模型報告 55.23% top-1
Otter 不把每個棋盤局面視為獨立樣本，而是同時納入最近 20 步及時間控制資訊。模型在作者的 Lichess rapid 測試上優於 Maia-2，但未與已發布的 Maia-3 在同一資料切分直接比較。
代理工具
SMRC-SD 先核對代理狀態再蒸餾成功軌跡，Qwen3-1.7B 任務成功率提高約 12 個百分點
成功示範不一定適用於代理繞路後抵達的狀態，無條件提供完整軌跡甚至可能壓低正確動作機率。SMRC-SD 只在狀態與示範步驟相容時加入自我蒸餾訊號，在 ALFWorld 與 WebShop 均優於完整路徑基線。
代理工具
ERA 回溯疫情預測的 11% 優勢遭重估，資料修訂洩漏可解釋幾乎全部增益
新分析發現，Google ERA 使用季後整併資料回測，實際取得了 CDC 模型預測當時尚不可見的修訂資訊。資料幾乎未修訂時兩者 WIS 相若，顯示 AI 預測基準必須保存每個時間點可用的資料版本。