代理工具
MIST 以四種配對情境測試「選擇性信任」，誤導訊息令 23 款模型平均掉 17.1 分
MIST 不只測試模型能否抵抗錯誤提示，也檢查它是否仍會採納正確的外部資訊。配套方法 SCOPE 將 Qwen3-4B 的正確轉錯誤率由 35.0% 降至 16.3%，但目前只在兩個小型開放模型家族完成訓練驗證。
Archive
最新模型
新模型、開放權重、多模態、語音、影像與模型架構。
代理工具
代理工具
程式化工具呼叫在 14 款模型中有 11 款不輸 JSON，長鏈任務差距達 18.8 個百分點
新研究把 API schema 編譯為具型別的 Python stub，讓模型在單次推理中以程式串接或平行呼叫工具。方法在 BFCL v4 子集多數模型不輸原生 JSON，但目前只測到回傳參數的模擬工具，尚不能證明真實 API 工作流同樣受益。
最新模型
GeniWorld 將機器人動作渲染成視覺條件，合成資料使實機成功率升至 69.0%
GeniWorld 先以 URDF 將關節動作轉為像素對齊的機器人運動，再讓因果 DiT 預測環境如何回應。作者在四項實機任務報告整體成功率由 40.8% 升至 69.0%，但尚未公開程式與模型權重。
最新模型
2,190 段受控影片揭露 VLM 計數邊界：增加取樣幀仍無法保證事件軌跡正確
新研究以可執行時間軌跡稽核影片模型，而非只檢查最終計數。Gemini 3.6 Flash 在高事件量、高頻率區僅答對 0.2%，且只找回 18.1% 的真實事件。
代理工具
HarnessOpt-Bench 將代理外殼最佳化變成評測，模型選擇影響約為 coding harness 的 1.8 倍
HarnessOpt-Bench 要求模型在固定評估預算內修改提示、工具、記憶與控制流程，再以不可見測試集計算實際增益。111 組實驗顯示，模型本身造成的差異大於外層 coding harness，但原生工具並未穩定勝出。
最新模型
新研究指出 Adam 會打破矩陣分解對稱性，相同函數可收斂至不同注意力表示
研究將 Adam 與低秩恢復差異追溯至逐座標預條件器不具 gauge equivariance。公開實驗中，兩個功能等價初始化經 Adam 訓練後，其注意力不變量相差 56%，但結論尚未經大型模型預訓練驗證。
最新模型
DASH 依推理軌跡動態分配蒸餾權重，Qwen3 三種規模皆優於固定權重基線
DASH 不再等量處理每個 token 的教師—學生差異，而是依整條生成軌跡調整監督可向前傳播的距離。作者在三項數學基準報告穩定增益，並公開訓練程式、評測流程與 LoRA 權重。
Reasoning Core 以 50 種程序生成器擴充監督資料，3B 模型 DROP F1 由 33.1 升至 41.7
Reasoning Core 用可執行評分器、難度控制與短答案格式產生數學、規劃、形式證明及程式題。匹配訓練實驗顯示它優於三套程序資料集，但作者也在外部資料庫發現生成器與評分器不一致。
AI 安全
Canary Tools 將代理選錯工具拆成六類，八款模型受騙率相差約 36 倍
新評測在 MCP 工具清單植入語意誘餌、參數陷阱與能力幻象等定向探針，藉錯誤呼叫定位代理的選擇弱點。11,520 次實驗顯示模型等級不能穩定預測安全性，而受騙後能否自行退出，會把任務成功率由 16% 拉升至 52%。
推論系統
ReCo 以步驟獎勵協調 KV cache 與推理長度，端到端延遲縮短逾兩倍
ReCo 依每個推理步驟的程序獎勵動態壓縮 KV cache，同時抑制重複反思並提早停止。三款推理模型、六項基準的作者實驗顯示，生成 token 減少 37% 至 65%，延遲改善 2.08 至 2.35 倍。
AI 基礎設施
Azure 實測代理工作流暴露 CPU–GPU 碎片化，Agora 回收閒置算力仍保住尾延遲
Microsoft Azure 研究顯示，代理在模型推論、工具與協調器之間反覆切換，使 CPU 重新進入關鍵路徑，GPU 卻經常閒置。原型系統 Agora 可依工作流型態回收算力，但錯誤壓縮平行代理的 GPU 配置反而會讓尾延遲惡化 16 倍。
最新模型
OctoLong 以跨程式庫依賴鏈訓練長上下文模型，8B 版 RepoQA 得分升至 64.63
OctoLong 不再把單一程式庫直接串接成長文本，而是沿 AST、語言伺服器及套件相依關係遞迴收集實作。研究團隊釋出 600M 至 14B 模型，實驗顯示依賴密集資料同時改善程式碼檢索、狀態追蹤與 API 使用。