所有文章 · SURL AI News

PDDLCoder 讓代理反覆修正 PDDL，106 項未見規劃題的可執行成功率達 89.6%

PDDLCoder 不要求語言模型直接產生長期行動序列，而是先建立可由符號規劃器驗證的 PDDL 世界模型。DeepSeek V4 Flash 在四個保留領域解出 95／106 題，但不同基礎模型的結果由 89.6% 跌至零，顯示框架成效高度依賴模型遵守格式及利用工具回饋的能力。

富士通把免微調的 Qwen3.5-27B、八階段修復流程與跨代理測試選擇器原封不動移至 Java。它在 Python SWE-bench Verified 解出 374／500 題，但 Java 成功率僅 32.03%，顯示代理框架可移植不等於語言能力相同。

PertMind 從 Qwen3-4B 出發，以基因反應、路徑方向及輸出格式組成可計算獎勵，不必人工撰寫大量生物推理軌跡。模型可零樣本轉移至逆向擾動辨識及雙擾動任務，但自然語言機制解釋仍不能視為因果證明。

新評測不再為每題提供獨立額度，而是要求模型在六道題之間分配 token 或工具操作。六款模型即使已能單獨解題，放入共享預算後仍普遍無法把算力投向最有回報的題目。

Prior Labs 開源統一資料切分、調參與評分流程，重新比較圖模型、關聯 Transformer 與資料表方法。TabPFN-Rel 顯示先聚合關聯資料再交給表格基礎模型仍具競爭力，但 CPU 特徵合成成本未完整計入排行榜時間。

FreeToken 依主機記憶體與 PCIe 頻寬，動態決定未命中專家應傳入 GPU 或直接由 CPU 計算。論文在五款消費級系統報告較最強基線高 1.3 至 2.1 倍解碼吞吐，但所連結的程式碼庫目前尚無法公開存取。

新評測把工具呼叫拆成狀態擷取與任務執行，發現上下文壓縮可在成功率下降前大幅增加代理的重查成本。GPT-5.5 在五倍壓縮下完成率由 80% 變為 85%，但平均擷取呼叫由 21.0 次升至 63.9 次。

DriveCache 利用生成前已知的車輛平移與旋轉，為不同駕駛場景安排擴散模型的特徵重用。Wan2.2 A14B 在接近相同加速幅度下，PSNR 較 SeaCache 高 1.276 dB，但程式碼尚未公開。

新研究以加性 log-odds 模型量度改寫、錯字、動物名稱及 JSON 欄位的微弱偏向，再把同方向線索組合成提示。部分最佳化提示可跨模型轉移，但目前實驗集中於人工設計的二元選擇題。

新研究顯示，即使待驗內容完全相同，留在上下文中的舊稽核與修復經歷仍會令多款開放模型較少報錯。訊號偵測分析未發現辨別力同步提升，表示代理管線改變了驗證門檻，而不只是令模型判斷得更準。

ClawGym II 不改動代理框架內部，而是在模型服務邊界攔截呼叫，再以 prefix tree 還原多輪軌跡。Qwen3-30A3B 經訓練後，在 OpenClaw 與 Claude Code 執行 ClawGym-Bench 的 Pass@1 分別增加 9.98 與 14.81 個百分點。

新研究發現，多款 guard model 與 activation probe 刪除、打亂或替換規則後，判斷準確率幾乎不變。專為排除文字捷徑而建的交叉測試中，快速偵測器接近隨機，只有逐步推理模型明顯恢復規則與情境的組合能力。