推論系統
WitProbe 為四類注意力記憶建立執行期風險帳本，1,240 萬次讀取未超出預算
新研究以具型別的誤差契約統一監測 KV cache、潛在快取、稀疏選擇器與遞迴狀態，並用 Lean 檢查可形式化的組合規則。公開儲存庫能重建論文數字與 67 項定理，但不含架構專用探針及完整服務平台。
Archive
GitHub Repo
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
推論系統
代理工具
CodeGrep 將程式庫搜尋拆成 14B 專用代理，修復成功案例少用 19% token
CodeGrep 先以平行 grep、glob 與檔案讀取縮小修改範圍，再把候選檔案交給凍結的 OpenHands 程式代理。它在 SWE-bench Verified 維持約 27% 修復率並降低推理成本，但模型與訓練管線尚未公開。
最新模型
RRC 將生成式獎勵模型的排序轉成 GRPO 訊號，AlpacaEval 2 得分由 35.8% 升至 41.3%
RRC 不再把偏好 token 的機率直接當獎勵，而是從候選答案的相對排序建構分數。8B 獎勵模型配合八次投票時，ArenaHardV2 亦由 8.0% 提高至 11.2%，但代價是額外的獎勵模型推論。
電腦視覺與具身 AI
HOPE 從單眼影片預測手部壓力，OpenTouch 頂點接觸 F1 達 0.660
HOPE 將觸覺手套、平面感測器與純接觸標註統一映射到 MANO 手部網格。它能從普通 RGB 影片輸出逐頂點壓力與接觸，但公開頁面目前仍標示程式及模型「即將推出」。
舊工具軌跡可劫持代理決策：ContextPollute-Bench 測得 Qwen3-1.7B 有 32.1% 正確答案被翻轉
新基準在保持目前請求、工具集合與正確動作不變的情況下，只插入已失效但看似合理的歷史紀錄。Oracle-OPD 將 Qwen3-1.7B 的平衡工具使用準確率提高至 87.0%，但驗證範圍仍限於合成的零售與航空情境。
電腦視覺
CogVis 共用遙測影像變化先驗，十類查詢延遲降至 10.03 秒
CogVis 將跨時間影像比較與文字類別判斷拆開，使多個開放詞彙查詢可重用同一份場景變化特徵。作者在七套基準報告領先結果及 28.5% 吞吐量增益，但模型權重並未隨程式碼發布。
代理工具
AgentOPSD 以遞迴信念分配代理獎勵，Qwen2.5-7B 在 ALFWorld 達 89.1%
AgentOPSD 將教師與學生的機率差異累積成逐回合信念更新，用來辨識真正左右任務成敗的決策。作者報告它在三類代理環境優於 GRPO 與多種自我蒸餾基線，但公開儲存庫目前仍未提供訓練程式。
代理工具
GAUGE 以 1,560 次實體實驗檢驗模擬器與影片世界模型，沒有單一引擎全面勝出
GAUGE 將物理引擎與生成式世界模型放到同一套實測基準，從軌跡、方程形式及物理參數分別診斷誤差。結果顯示，畫面合理或符合方程形式，仍不代表加速度、動量轉移與振盪週期正確。
代理工具
MIST 以四種配對情境測試「選擇性信任」，誤導訊息令 23 款模型平均掉 17.1 分
MIST 不只測試模型能否抵抗錯誤提示，也檢查它是否仍會採納正確的外部資訊。配套方法 SCOPE 將 Qwen3-4B 的正確轉錯誤率由 35.0% 降至 16.3%，但目前只在兩個小型開放模型家族完成訓練驗證。
代理工具
程式化工具呼叫在 14 款模型中有 11 款不輸 JSON，長鏈任務差距達 18.8 個百分點
新研究把 API schema 編譯為具型別的 Python stub，讓模型在單次推理中以程式串接或平行呼叫工具。方法在 BFCL v4 子集多數模型不輸原生 JSON，但目前只測到回傳參數的模擬工具，尚不能證明真實 API 工作流同樣受益。
最新模型
GeniWorld 將機器人動作渲染成視覺條件，合成資料使實機成功率升至 69.0%
GeniWorld 先以 URDF 將關節動作轉為像素對齊的機器人運動，再讓因果 DiT 預測環境如何回應。作者在四項實機任務報告整體成功率由 40.8% 升至 69.0%，但尚未公開程式與模型權重。
代理工具
HarnessOpt-Bench 將代理外殼最佳化變成評測，模型選擇影響約為 coding harness 的 1.8 倍
HarnessOpt-Bench 要求模型在固定評估預算內修改提示、工具、記憶與控制流程，再以不可見測試集計算實際增益。111 組實驗顯示，模型本身造成的差異大於外層 coding harness，但原生工具並未穩定勝出。