代理工具
FACET 先建立可執行環境再生成終端任務，9B 代理得分提高 8.24 點
FACET 把指令、容器、參考解法及驗證器綁定至同一執行狀態，從逾 7.1 萬項代理技能合成 6,078 項驗證任務。僅以 1,200 條成功軌跡微調，Qwen3.5-9B 在 Terminal-Bench 2.1 的得分由 27.34 升至 35.58。
Archive
最新模型
新模型、開放權重、多模態、語音、影像與模型架構。
代理工具
代理工具
1,338 條後訓練軌跡顯示，AI 代理僅 2.1% 相鄰實驗改變策略
研究發現，代理雖能自行訓練、除錯及評估模型，卻會在首次參數更新前鎖定訓練策略。加入實驗日誌、技能庫與評估代理可提高下游分數，仍未促使系統在證據不利時改換方法。
代理工具
語義不變改寫令程式代理成本最高增 22.9%，穩健排名隨框架翻轉
研究把控制流程、識別字及無效程式碼改寫套用至相同修復題，最高令解題率下降 6.7 個百分點。模型的穩健程度會隨 mini-SWE agent、OpenCode 與資料集互換，單一模型排行榜無法預測部署表現。
代理工具
ComponentBench 拆解 2,910 項網頁操作，同一代理因介面模式相差逾 34 個百分點
ComponentBench 不以完整工作流程掩蓋錯誤，而是逐一測試滑桿、日期選擇器、資料表與拖放等 UI 元件。GPT-5 mini 在相同任務及框架下，使用 accessibility tree 與純座標像素操作的成功率分別為 83.1% 和 48.9%。
推論系統
MoE 路由器可減少 60% 快取失誤，但未通過 1% 困惑度退化門檻
一項預先註冊研究嘗試把專家局部性直接訓練進 MoE 路由器，卻發現快取改善與模型品質存在明顯交換。訓練與無訓練重路由疊加可再降低失誤，但仍未證明能轉化為等比例端到端加速。
代理工具
SkillGate 分離技能選擇與執行回報，9B 代理成功率由 40.8% 升至 53.2%
SkillGate 發現，長流程代理以結果獎勵訓練時，選擇技能的少量 token 幾乎收不到有效信用。新方法在同一次 GRPO 更新內拆分兩條梯度通道，並在五項代理評測中優於結果獎勵基線。
代理工具
LLM 裁判先判斷、再搜尋或棄權，以校準門檻控制錯誤裁決率
新框架以預測熵決定 LLM 裁判是否直接接受判決、搜尋網路證據或棄權，並用 Clopper–Pearson 上界校準兩道門檻。32 組開放問答實驗均維持指定錯誤率，但保證依賴同分布校準資料及可靠標籤。
推論系統
Recirculation 回灌 Transformer 深層狀態，Gemma 3 困惑度最多降低 35%
Google DeepMind 提出在推論時把深層 residual stream 混回後續 token 的淺層，以現成 Gemma 3 建立跨 token 遞迴。方法不增加模型權重，卻把平行 prefill 改成序列處理，實際延遲仍待完整量測。
資訊檢索／RAG
DEPT 固定文件向量再端到端訓練查詢擴展，Qwen3-4B 的 BEIR 平均分升至 42.59
DEPT 讓同一個解碼器同時生成查詢擴展與編碼文件，並以保存損失避免既有向量索引隨微調漂移。五項 BEIR 測試優於分階段基線，但結果仍來自單次實驗及兩款小型模型。
最新模型
OYS 直接搜尋擴散模型去噪時間步，5 步生成保留 50 步品質的 89% 至 94%
OYS 不修改或蒸餾模型，而以貝葉斯最佳化為每個模型及任務尋找低步數去噪排程。研究在六款文字生成圖像模型及修補任務上報告改善，但搜尋成本需由大量預生成樣本攤銷。
代理工具
Wuying Browser Agent 以錯誤恢復資料訓練長流程操作，27B 模型在 BrowserBench 達 65.1%
阿里雲團隊把瀏覽器代理的錯誤恢復、複雜 UI 操作與長程信用分配納入同一訓練流程。27B 模型在新建的中英雙語 BrowserBench 取得 65.1% Pass@1，但模型權重與評測資料的公開可得性仍待確認。
推論系統
Qwen3.8-27B 在 RTX 4090 上可達 70 tok/s，主流部署仍依賴量化與 MTP 調校
Qwen3.8-27B 讓 27B 級模型進入單張 24GB 消費級 GPU 的可用範圍。公開資料顯示，一般 GGUF 部署約落在 30 至 60 tok/s；在 RTX 4090 上啟用 KV cache 量化、MTP 與新版 llama.cpp 後，社群實測可提升至 70 至 85 tok/s，但這仍不是開箱即得的基準。