所有文章 · SURL AI News

LFM2.5‑VL‑3B 以約 3GB 記憶體執行視覺模型，原生支援 vLLM、llama.cpp 與 MLX

Liquid AI 發布 3.1B 參數的 LFM2.5‑VL‑3B，加入畫面定位、版面 OCR、多圖理解與函式呼叫能力。官方在 Apple M5 Max 測得 228 token/s，單張 H100 高併發吞吐約 11,000 token/s，但數據尚待獨立重現。

OEIS Open 讓通用語言模型在固定成本內證明或否證 492 個整數序列猜想，初始 SafeVerify 評分為 147 題通過。另一套 Lean 驗證器重查後確認 144 題，凸顯形式化基準仍會受到規格與檢查器差異影響。

IBM 的 VAKRA 將 API、文件檢索及自然語言政策放進同一條可執行軌跡，最強模型在不同 API 介面上的完整正確率只有 50% 至 70.4%。當政策令問題無法回答時，部分模型的成功率更降至 2.4%。

InclusionAI 公開 7.9B 參數的 Ling‑3.0‑tiny，混合線性注意力與稀疏 MoE，並提供 BF16、FP8 及 INT4 權重。官方稱 FP8 在 M4 Pro 可達每秒 86 至 90 token，但 vLLM 與 Ollama 支援目前仍未完全進入上游穩定版本。

DashArena 以 234 項開放式任務評測模型生成的互動資料儀表板，並用瀏覽器實際重播模型自行撰寫的操作流程。加入互動證據後，8B 視覺評審與人類偏好的一致率由 71.7%升至 79.8%，但最佳模型仍只有 73.3%的完整重播率。

ReTree 把搜尋代理的摘要、證據來源與修訂歷史存成依賴樹；新資料推翻舊前提時，系統會回到引入錯誤的節點並刪除受影響分支。四項搜尋基準顯示它同時縮短每步上下文並改善答案，但硬式剪枝可能丟失其實不受衝突影響的資料。

ThinkRetrieve 不再只要求模型延長思考，而是在每個推理邊界檢索相似題目的完整解答，插入下一段思考脈絡。五款 1.5B 至 8B 模型均勝過循序式測試時計算，但方法需要龐大且嚴格去污染的解題資料庫。

海德堡大學研究發現，稀疏自動編碼器的單一 latent 雖可解讀，整組啟用 latent 卻不穩定地對應人類概念。只在名詞前加入相容形容詞，原有啟用集合便可能消失兩成至六成，限制以集合重疊解讀模型狀態的可靠性。

SKILLER 不更新小模型權重，而是讓強模型根據執行軌跡與驗證器回饋反覆修改文字技能。Qwen3.5‑9B 在 SWE‑Skills‑Bench 的三次執行平均分數由無技能時的 26.2% 升至 82.8%，但技能生成仍依賴 GPT‑5.4 與成功參考軌跡。

Meta 公開 Muse Glimmer 30B 權重、視覺編碼器及 DFlash 草稿模型，17GB 版本可在 24GB VRAM 內同時執行文字、影像與推測解碼。官方在 RTX 5090 測得平均 233.4 token/s，但安全評測與部署細節顯示它仍需要外部防護及新版 runtime。

研究團隊以推理模型、編程代理及檔案式記憶執行約 240 個研究 session，最終提出並由作者驗證 `K_G ≥ 6π/11`。系統展現強大局部證明能力，卻未自行察覺搜尋已陷入瓶頸，研究方向與成果取捨仍依賴約 40 次人類指令。

Agentic Configuration Management 把代理、提示、模型、工具與工作流正規化成可獨立版本控制的設定項目。參考實作支援 LangGraph、CrewAI 與 OpenAI Agents SDK，但目前驗證集中於小型合成案例及作者自訂 oracle。