推論系統
PhyAI 統一 VLA 與世界動作模型推論，官方路徑對照加速 1.40 至 4.65 倍
PhyAI 以模型轉接器保留各架構的條件、求解器與動作語意，再共用圖執行、核心、快取及多 GPU 服務。公開測試涵蓋 π0、π0.5、GR00T N1.7、Cosmos3 與 MiniCPM-Robot，但部分比較未使用完全相同的數值精度。
Archive
最新模型
新模型、開放權重、多模態、語音、影像與模型架構。
推論系統
代理工具
TutorMoments 重播真實教學決策，測出七款 LLM 預設傾向過度提示
Ai2 以 462 份真實數學家教逐字稿建立可重播評測，要求模型在「提供鷹架」與「要求學生深入推理」之間選擇。明示兩者取捨可改善七款模型表現，但模擬學生與模型評分仍不能證明真實學習成效。
應用研究
Otter 以棋步歷史與時限預測人類決策，15.3M 參數模型報告 55.23% top-1
Otter 不把每個棋盤局面視為獨立樣本，而是同時納入最近 20 步及時間控制資訊。模型在作者的 Lichess rapid 測試上優於 Maia-2，但未與已發布的 Maia-3 在同一資料切分直接比較。
代理工具
SMRC-SD 先核對代理狀態再蒸餾成功軌跡，Qwen3-1.7B 任務成功率提高約 12 個百分點
成功示範不一定適用於代理繞路後抵達的狀態，無條件提供完整軌跡甚至可能壓低正確動作機率。SMRC-SD 只在狀態與示範步驟相容時加入自我蒸餾訊號，在 ALFWorld 與 WebShop 均優於完整路徑基線。
代理工具
ERA 回溯疫情預測的 11% 優勢遭重估，資料修訂洩漏可解釋幾乎全部增益
新分析發現，Google ERA 使用季後整併資料回測，實際取得了 CDC 模型預測當時尚不可見的修訂資訊。資料幾乎未修訂時兩者 WIS 相若，顯示 AI 預測基準必須保存每個時間點可用的資料版本。
最新模型
Liquid AI 開放 LFM2.5-2.6B 權重，2.69B 端側模型支援 128K 上下文與工具呼叫
LFM2.5-2.6B 以短卷積與 GQA 混合架構，把代理推理、工具使用及長上下文帶到手機與個人電腦。官方測得 M5 Max 解碼 220 token/s，但效能與代理基準均主要來自廠商自評。
代理工具
CIPO 以遮蔽檢索證據分配步驟獎勵，Qwen2.5-7B 七項問答平均 F1 升至 0.504
CIPO 比較代理在看得到與看不到最新檢索結果時的動作機率，直接獎勵受外部證據影響的下一步。作者實驗較最強基線提高 4.7 個 F1 點，但額外評分會增加訓練成本，且目前只驗證兩款 Qwen2.5 模型。
最新模型
u-OPSD 只靠模型內部投票訓練，Qwen3-8B 五項數學平均提高 10.7 分
u-OPSD 從同一模型的八條推理軌跡產生多數決偽解答，再把共識條件下的 token 分布蒸餾至分歧軌跡。Qwen3-8B 非思考模式的五項平均分由 43.57 升至 54.31，但錯誤共識與多次取樣成本仍限制其適用範圍。
最新模型
BaKron 將雙側 Hessian 量化降至三次複雜度，8192 方陣核心較 YAQA 快 60 倍
BaKron 以反對角線平行化及遞迴分治，在保留輸入、輸出兩側曲率資訊時把總工作量由四次降至三次。Llama 3 8B 的 2.81-bit 實驗改善 GPTQ 的困惑度，但整體量化時間仍更長，且目前未見公開實作。
最新模型
Hyper-ES 先用梯度建立低維搜尋空間，數學推理平均高於 GRPO-LoRA 1%
Hyper-ES 不在數十億維模型權重上直接做隨機演化，而是以少量微調方向構成子空間，再搜尋逐層模型合併係數。作者在三款模型與六項數學資料集報告小幅增益，但方法並非完全無梯度。
代理工具
FinEvo-Bench 以 120 項金融任務測代理跨任務演化，Codex 配對增益 19.37 分
FinEvo-Bench 將相關但不同的金融案例交錯排列，檢查代理能否把先前回饋轉成後續可重用的記憶或技能。四種代理外殼均優於每題重設狀態的對照組，但結果只使用同一款模型骨幹。
代理工具
OPERA 以物理殘差約束實驗代理，無實質改善的加分決策由最高 39.0% 降至 1.9%
OPERA 不只回傳單一分數，而是讓語言模型同時取得可解釋的物理殘差，再選擇、組合或生成光學操作。三種光學任務顯示殘差能抑制規格鑽漏洞，但公開程式未包含實驗儀器控制與完整統計管線。