最新模型
UGC 依資料依賴配置遮罩擴散步數，理論上可取得近似 oracle 的 KL 保證
新研究用「解遮罩成長複雜度」描述離散擴散在不同揭露階段的資訊難度，據此把計算集中到高曲率區段。方法可由樣本估計排程並給出高機率 KL 證書，但尚未在大型語言或影像模型上驗證。
Archive
最新模型
新模型、開放權重、多模態、語音、影像與模型架構。
最新模型
代理工具
DiG-bench 隱藏遊戲規則測主動發現：Opus 5 解出 50／70，通用代理框架未帶來增益
DiG-bench 用 70 個全新文字遊戲，要求模型自行實驗並推斷未知規則與勝利條件。Opus 5 解出 50 題居首，但現成代理框架在最高難度題目上沒有穩定勝過基礎模型迴圈。
最新模型
DeepSeek-V4-Pro 進入 GA：代理評測上升，API 原生支援 Responses 格式
DeepSeek 將 V4-Pro-0813 推至正式版，既有 `deepseek-v4-pro` 名稱會直接指向新版。新版強化程式代理與工具操作，並加入 OpenAI Responses API 相容層，但公開分數仍主要來自官方 harness。
最新模型
GLM-5.3 沿用 5.2 基座擴大後訓練，資安能力暴增令開放權重延後兩週
Z.ai 表示 GLM-5.3 未重新預訓練，程式與資安能力提升均來自更大規模的後訓練。模型在 CyberGym 報告 84.5%成功率，但權重須待雙重用途風險評估完成才會釋出。
最新模型
SciFigBench：GPT-5.2 圖表描述分數最高，面對不可讀內容卻有 96%仍作答
SciFigBench 用逾 34,000 組科學圖表測試，把看懂圖像與承認證據不足分開評量。GPT-5.2 的描述品質領先，Gemini 3.1 Pro 則更常拒絕從模糊或誤導證據下結論。
代理工具
同模型雙代理在失敗任務中有 90%共同失手，獨立性假設高估備援可靠度
Agent Behavioral Contracts II 以 18,000 次預註冊任務發現，同一模型的兩個代理會高度相關地失敗。研究改以聯合分布線性規劃計算有限樣本下限，但目前證據仍限於雙代理交接設定。
AI 可解釋性
SAEVerbalizer 直接把特徵方向說成文字，但最佳全域一致率仍只有 56.1%
SAEVerbalizer 將稀疏自編碼器的 decoder direction 注入 Gemma 3，訓練模型直接產生特徵解釋，省去逐特徵搜尋高啟用語料。27B 版本在較嚴格的全域測試達 56.1%參考一致率，但參考答案本身由模型生成，尚不能視為機制真相。
最新模型
DreamX-Phi 以 SE(3)軌跡約束雙臂影片預測，WorldArena 2.0 暫居第一
DreamX-Phi 將兩支機械臂的剛體變換直接寫入注意力，並以深度、物件遮罩及 V-JEPA 特徵約束生成影片。它在 WorldArena 2.0 快照取得60.65分，但權重與推論程式要等挑戰賽結束才公開，真實機器泛化仍未驗證。
GitHub Repo
MARC 將臨床推理拆成可追蹤代理管線，但首版尚無準確率比較
開源 MARC v1 用 YAML 定義抽取、推理與輸出代理，並支援 Gemini API 或 Ollama 本機部署。它改善錯誤定位與資料控制，卻只展示三類使用案例，未證明多代理比單一提示更準確。
最新模型
SAE 因各自挑選最高啟用 token，跨字典因果變異可由 11.9%降至近零
一項新研究發現，稀疏自編碼器的消融評估通常讓每套字典自行選擇最高啟用 token，導致看似相同的 latent 實際在不同位置受測。固定共同位置後，受控實驗中原本歸因於字典差異的 7.6%與11.9%變異幾乎消失。
代理工具
CAPRI 為 Isabelle 證明修補加上編輯合約，攔下 6 個可建置但越權的候選
CAPRI 將「證明可被 Isabelle 接受」與「模型只修改獲授權區域」拆成兩項獨立判定。180 次修補實驗中，144 個可建置候選有 6 個改動受保護文字，限制模型只回傳證明本體後則未再出現違約。
最新模型
LittleLearner 將預訓練知識限於小五程度，進階數學少樣本提示仍停在約 6%
研究團隊從 FineWeb‑Edu 篩出 880 億 token 的 K–5 語料，並從零訓練 0.6B、1.3B 與 5B 模型及同算力對照組。實驗顯示擴大模型、SFT＋GRPO 和上下文示例主要喚起已有能力，未明顯突破預訓練知識邊界。