代理工具
TrajDebug 追蹤代理錯誤生命週期，失敗診斷讓重跑成功率平均提高 10.8%
TrajDebug 不把代理軌跡中的第一個錯誤直接當成根因，而是追蹤錯誤是否修復、留下終局影響及消耗復原預算。團隊以 486 條人工標註軌跡測試，診斷轉成提示後使相同任務重跑成功率平均提高 10.8%。
Archive
GitHub Repo
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
代理工具
最新模型
新研究指出 Adam 會打破矩陣分解對稱性，相同函數可收斂至不同注意力表示
研究將 Adam 與低秩恢復差異追溯至逐座標預條件器不具 gauge equivariance。公開實驗中，兩個功能等價初始化經 Adam 訓練後，其注意力不變量相差 56%，但結論尚未經大型模型預訓練驗證。
最新模型
DASH 依推理軌跡動態分配蒸餾權重，Qwen3 三種規模皆優於固定權重基線
DASH 不再等量處理每個 token 的教師—學生差異，而是依整條生成軌跡調整監督可向前傳播的距離。作者在三項數學基準報告穩定增益，並公開訓練程式、評測流程與 LoRA 權重。
Reasoning Core 以 50 種程序生成器擴充監督資料，3B 模型 DROP F1 由 33.1 升至 41.7
Reasoning Core 用可執行評分器、難度控制與短答案格式產生數學、規劃、形式證明及程式題。匹配訓練實驗顯示它優於三套程序資料集，但作者也在外部資料庫發現生成器與評分器不一致。
代理工具
36,710 個 GitHub 專案只留下 85 份代理計畫，多數尚非長期維護文件
新研究區分常駐的 AGENTS.md 與針對單一任務的 Agent Plan，檢查計畫如何進入公開版本歷史。樣本高度集中於少數專案，顯示「計畫即協作產物」仍是早期且不穩定的實務。
代理工具
Argus 讓固定權重代理累積經驗，SWE-Bench Pro 準確率由 59% 升至約 78%
Argus 把長期任務拆成受限 mission，並由 Manager、Planner、Engineer 與 Reviewer 共同維護可持久化狀態。作者報告它以 1.41 倍 token 成本提高程式修復成績，代理產生的 RWKV6 核心亦經外部修正後合併至開源專案。
代理工具
MatrAIx 以 1,290 維屬性合成 83 億 persona，開源百萬筆核心集測試 AI 產品
MatrAIx 將相關人口屬性組合成 83 億筆模擬使用者，並讓 persona 代理操作問卷、聊天機器人、網站與應用程式。團隊開放約百萬筆核心資料與評測程式，但目前驗證只能證明代理遵循指定角色，不能證明其可取代真人測試。
代理工具
ABSeeker 從正確答案反推搜尋線索，4B 模型 BrowseComp 成績升至 55.3%
ABSeeker 將搜尋代理的最終成敗拆成逐步獎勵，保留失敗軌跡中的有效查詢並壓低成功軌跡中的錯誤步驟。團隊已公開 4B 權重、推論及訓練管線，但最佳成績仍倚賴額外的上下文管理與 LLM 裁判。
代理工具
KV cache 不等於「潛在思維」：錯配快取揭露多代理增益可能只是介面效應
新研究以錯配、歸零及隨機 KV cache 重新稽核多代理潛在通訊，發現移除快取造成的大幅退步，不一定證明接收者使用了發送者的特定資訊。部分自然評測中，歸零使準確率下降 14.7 點，換成其他題目的快取卻只差 0.4 點。
AI 安全
小型模型自報信心難以直接控風險，22 組設定僅三組通過 20% 錯誤上限
新研究在 11 款開放權重模型上檢驗「模型自報信心」能否決定何時轉交人工。Platt 校準雖可把 ECE 降至最低 0.02，嚴格的有限樣本驗證仍在 10% 風險上限下拒絕所有自主作答設定。
最新模型
WorldCycle 用可逆動作自製驗證訊號，影片世界模型複合動作準確率提升四倍
WorldCycle 把動作及其反向操作組成封閉迴圈，無須真實未來影片即可量測長期狀態漂移。研究在 8B 影片世界模型上降低最多 44% 的循環誤差，複合動作準確率由 0.136 升至 0.553。
AI 安全
新基準發現隱性偏誤可繞過思維鏈監控，部分設定偵測率僅 5%
新研究以成對提示比較模型受到明示指令與隱性暗示影響時，思維鏈是否會留下可偵測證據。七款推理模型在部分隱性設定仍改變答案，監控器的偵測率卻比明示設定低最多 46 個百分點。