所有文章 · SURL AI News

SWE-bench Science 收錄 20 個科學領域，最佳程式代理 119 題僅解出 47.90%

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%。

新方法讓模型在微調時直接適應 H2O 等 KV 淘汰策略，部分 128K 任務的準確率由約 20% 至 64% 提高至逾 90%。但自然問答結果並非全面領先，開源實作也仍定位為研究工具。

ReCache 改寫注意力與位置編碼，讓不同請求可重用個別工具或技能的 KV cache。Qwen3 實驗顯示首 token 延遲最多加速 3.655 倍，但方法需要微調模型，尚非可直接套用的推論外掛。

新方法把推理結果分布視為分段平滑序列，以 PELT 找出真正決策點，再用 Dirichlet 核心池化抑制抽樣雜訊。兩款 8B 模型的實驗顯示可大幅減少重抽樣，但結論目前只涵蓋 tinyMMLU 選擇題。

Google DeepMind 讓視覺語言模型先把長流程機器人任務拆成 VLA 可執行的子目標，再用成功軌跡微調原模型並加入殘差式離策略強化學習。方法提高模擬任務的探索效率，但尚未證明能在實體機器人上取代人工示範。

Google Cloud AI Research 等團隊把代理 harness 的概念套到環境端，以可組合介面層改變起始狀態、可見資訊及任務流程。開源實驗涵蓋五套基準，最高提升 9 個百分點，但重現完整結果仍需要多種外部環境與商用模型 API。

Nsight AI 現在可把即時 CUDA 文件接入 Codex、Claude 等 MCP 用戶端，或在本地部署完整的程式輔助後端。開源 Blueprint 結合生成、補全、嵌入及重排模型，但參考配置需要 Hopper 級 GPU 與至少 200GB 儲存空間。

Ornith 釋出 9B、35B MoE 與 397B MoE 三種開放權重模型，訓練迴圈同時最佳化任務、代理鷹架與解題軌跡。397B 的程式代理成績接近閉源前沿模型，但數字尚未經獨立重現，模型發布文件亦存在授權缺口。

Anthropic 的新版工具可在一次模型回合執行多個介面動作，並結合頁面結構、可版本化技能及持久檔案。既有 beta 整合仍可運作，但升級電腦操作工具會改變請求格式，工程團隊也須自行處理瀏覽器隔離與提示注入風險。

NVIDIA 把原用於 GPU 核心演化搜尋的 AVO 代理架構移植至互動推理，搭配 Claude Opus 5 取得 100.00 RHAE。結果顯示代理記憶與驗證迴圈可大幅改變同一模型的表現，但只涵蓋公開環境，且與 VISTA 的比較不是受控消融。

Google DeepMind 將是否執行昂貴模型評分寫成「潘朵拉盒」搜尋問題，按資訊價值逐一決定是否加算評估。三種測試中，它都取得最低的平均路由遺憾加評估成本，但效果依賴已校準的訊號分布與成本設定。

新研究把 NoThink、Short 與 Long 變成模型生成的首個 token，毋須另設路由器即可逐題分配推理預算。方法在 MATH-500 維持接近基礎模型的準確率，並在較簡單的 GSM8K 減少 76% token。