所有文章 · SURL AI News

RuleMaze 將視覺規劃拆成工具呼叫，3B 模型未見規則成功率由 56.3% 升至 88.0%

RuleMaze 用可執行驗證器檢查多模態模型能否看懂迷宮、遵守自然語言規則並完成路徑規劃。DMP 將感知、移動及規則驗證拆開後明顯勝過一般微調，但測試仍限於合成網格，且驗證器曾經人工校正。

Task Model Induction 不把整段螢幕與輸入紀錄壓成單一工作流程，而是先拆出非連續任務，再重建目標階層與迴圈控制流。產生的代理技能在保留題準確率由最佳基線的 14.29% 升至 18.57%，但整套流程依賴前沿模型，且原始操作軌跡帶來明顯私隱風險。

Brain Researcher 以知識圖譜、型別化流程與審查規則約束神經影像分析代理，並保存假設、證據及執行來源。工具路由大幅改善，但可驗證證據落地率仍只有 22.0%，自動審查亦曾漏掉方向性統計錯誤。

SafeBranch 將代理的危險軌跡回滾至關鍵決策點，只比較同一上下文中的安全與不安全動作。訓練後部署毋須外掛 critic，但成果目前限於模擬家居環境，且資料建構仍依賴 GPT-4o 判斷。

ConceptGuard 不再把忘卻集與保留集視為互不相關的事實，而是要求模型抑制同一技術的有害用途並保留正當用途。四種反學習方法均出現遺忘與效用取捨，且不同概念間的效果高度不一致。

FormalTCS 從近兩年頂級理論計算機科學論文抽取研究級問題，逐段測量模型由自然語言主張產生機器可驗證證明的能力。最佳模型在證明既有形式化定理時達 28.6 Pass@8，但將自然語言轉成正確 Lean 定理陳述仍是主要瓶頸。

開源代理執行環境 Forge 現可按使用者隔離 MCP 連線與憑證，並自動完成 OAuth 2.1 metadata discovery 及動態用戶端註冊。新版亦補上細粒度出口管制與審批稽核，但目前 MCP 支援仍以 HTTP 傳輸為主。

新版將最低 Python 版本提高至 3.10，並移除 Text Completions、部分取樣參數及用戶端壓縮介面。一般 API 呼叫大多毋須修改，但直接依賴 httpx 的監控、測試與自訂傳輸層必須遷移。

Daedalus-150M 專為單使用者、4-bit CPU 推論設計，讓多數網路層不必反覆讀取持續增長的 KV cache。初步結果顯示速度優勢會隨上下文增加，但模型只有 2K 上限，效能數字也仍待跨硬體獨立重現。

NVIDIA 更新開源代理執行堆疊，重點處理 vLLM、llama.cpp、Ollama 與模型路由器的狀態漂移。新版也收緊沙盒生命週期、映像來源證明及失敗復原，但仍是快速迭代中的修補版本。

新研究顯示，即使模型拒絕直接洩密，回覆長度、格式與詞彙等統計特徵仍可能攜帶上下文資訊。自適應黑箱攻擊可近乎完整還原兩位數祕密，四位數精確命中率則達 82%。

SWE-bench Science 用 98 個真實科學程式庫測試單位、座標系、數值不變量及檔案格式等隱性契約。Claude Code 搭配 Opus 5 暫居首位，但 pass@1 仍未過半，且工程整合題只有 27.78%。