所有文章 · SURL AI News

AFANet 以 6.5 萬可訓練參數診斷多代理故障，域內推論由 199 秒縮至 1.16 秒

AFANet 把代理對話轉成含時間及同代理連線的圖，再以兩層 GCN 判斷故障代理與錯誤類型。它在 AEGIS-Bench 勝過多款 LLM 基線，但跨資料集的代理—錯誤配對 F1 仍偏低。

DeepWeaver 以 Thought Block Chain 整理主張、關鍵資訊與來源，再反覆檢查尚未利用的證據。它改善多款模型的長篇回答與引用指標，但新評測集中於中文水環境問題，程式碼也尚未真正釋出。

Liquid AI 釋出三款約 3 億參數的 DSpark 草稿模型，讓 LFM2.5 以推測解碼一次驗證多個候選 token。單批、貪婪解碼測試最高加速 3.18 倍，但 SGLang 支援仍在開放中的 PR，部署成熟度有待驗證。

SkillForge 在真實工單出現前，先從測試覆蓋的執行路徑製造可驗證故障，再把修復軌跡蒸餾成專案專屬技能。搭配 Mini-SWE-Agent 後，DeepSeek-V3.2 與 GPT-5-mini 的 SWE-bench Verified Pass@1 分別升至 72.2% 與 60.6%。

Open-MOPD 發現，多教師在線策略蒸餾的主要瓶頸並非教師梯度衝突，而是不同領域分到的有效 token 更新量嚴重失衡。它結合 token 份額平衡、差距導向配置與學生回報刷新，在單一 3B 模型中追回 83.4% 的可用能力增益。

Monroe 把稀疏圖注意力、立體化學邊與 1,152 項預訓練目標結合，再以 TabPFN 對凍結分子向量作情境內預測。它在 28 項 Polaris 任務均屬統計最佳組別，但「100% 勝率」包含與最佳方法無顯著差異的平手。

SPADE 以提示前後的回報差訓練環境設計者，讓課程隨代理能力自動變難。Qwen3-30B-A3B 在工具使用評測最多增加 13.9 點，但環境驗證器仍可能接受規格不完整或無解的任務。

VSPG 把每個動作存成單位超向量，將 softmax policy gradient 化為優勢加權向量疊加及正規化，不需 actor 的自動微分或最佳化器狀態。它在兩種建築控制氣候取得較佳回報並較耐位元錯誤，但效能高度取決於固定編碼器。

FM-Bench 以 26 種工具及約 340 至 400 個決策點，測試代理能否承受延遲回報、隱藏資訊與競爭者反應。15 款模型均完成 20 年賽程，但排名到後期才穩定，自主管理記憶亦出現只增不刪或反覆覆寫兩種失敗模式。

新研究毋須對完整多模態模型反向傳播，只調整輸入影像，使視覺編碼器的表示偏離原圖或逼近指定目標。四款開放 VLM 的非定向攻擊成功率均逾 93%，但評分依賴單一 LLM 裁判，且尚未測試黑箱轉移能力。

研究讓同一組 Transformer 層在生成每個 token 前反覆更新隱藏狀態，並以相同資料及 LoRA 設定比較循環與一般模型。提升集中在平行呼叫及跨呼叫依賴；以單一 API 呼叫為主的 API-Bank 則未呈現一致優勢。

新研究把代理間未寫入對話紀錄的連續向量，與其後公開動作綁定至同一事件，再以異常、反事實影響及稀疏特徵三層檢查。平均 0.993 的結果混合了文字與潛在串通樣本，且攻擊由研究者預先設計，尚不能視為對自發密謀的通用偵測能力。