所有文章 · SURL AI News

Open-EA 將視覺生成評測代理縮至 3B，但目前只完整支援 VBench 影片流程

Open-EA 把多輪視覺模型評測軌跡整理成 10,042 筆監督資料，將原本依賴 GPT-4o 的規劃流程移植至本機 EA-3B。模型、資料建構與 runtime 已公開，但「評測時間降至傳統方法 10%」主要來自原始 API 代理，不能直接視為 EA-3B 的普遍效率保證。

TIDE 不再把高 token 一致率直接視為蒸餾成功，而是分別處理學生過度生成及漏掉教師偏好 token 的問題。強錯配設定下，方法同時把平均回答長度縮短 3.6 倍，但重現完整訓練仍需八張 GPU，且作者未提供 checkpoint。

ICBQ 不更換量化器，而是讓相鄰 Transformer 區塊的邊界接受第二次聯合校正，減少早期誤差沿深度累積。品質改善的代價是量化時間平均增加 21%，且作者尚未釋出實作。

ElasticBack 把惡意規則藏進 `SKILL.md`，再以自然語句中的特定概念作為啟動開關，毋須修改模型權重。實驗顯示攻擊可避過多種靜態與執行期檢查，但 Claude 上的誤觸率仍達 20% 至 24%。

QueryProof 把歧義判定、SQL 白名單與執行後驗證交給確定性規則，只讓模型處理指標解析及 SQL 草擬。它在 80 題凍結測試集勝過未配置相同外殼的 32B 基線，但按題型家族重抽樣後，優勢區間仍跨越零。

Matryoshka Language Model Suites 將 500M、1.5B 與 3B 子模型串成可獨立截取的巢狀架構，避免為每個尺寸重複訓練。共享前段層與 KV 快取亦令推測解碼吞吐提高 14% 至 26%，但目前只在 3B 級基礎模型驗證。

P³ 要求代理在寫程式前先統一規劃實作結構、輔助引理與證明分解，避免完成程式後才反覆修補證明。它在三套 Lean 4 基準的全部模型組合均勝過比較流程，但最難的儲存庫任務最高仍只解出 22.2%。

ArchAgent v2 將 L1D、L2 與 LLC 預取器分階段演化，再以即時容量檢查淘汰超出硬體預算的候選。最終設計在 DPC4 模擬環境比人工冠軍 BertiGO 高 0.3%，但尚未經實體晶片驗證。

Tevatron-Elastic 將早退、Matryoshka 向量及層間 token 壓縮統一成可設定的 operating point，一個 checkpoint 可服務多種成本配置。Qwen3‑0.6B 重排序器在第 16 層維持完整品質，同時於作者測試環境加速 1.75 倍。

SWE-Bench ProMax 從 29,782 個候選提交篩出 170 項跨檔案重構任務，並由專家重寫需求及檢查測試。GPT‑5.2 配合 OpenHands 的解題率最高，但軌跡顯示代理常漏改周邊呼叫點、設定與測試檔案。

KVDiagnosis 不只比較長上下文總分，而是為每種壓縮設定建立 FullCache 配對，追蹤證據保留、注意力及機率漂移。團隊亦因實作稽核排除 7,800 組結果完全相同的 PyramidKV 紀錄，凸顯跨方法評測容易被轉接器錯誤污染。

SHE 把代理安全外殼拆成系統提示、規則庫、安全記憶與工具政策，再依失敗軌跡局部修訂。它在 Agent-SafetyBench 同時降低攻擊成功率與誤拒率，但真實部署仍須防範評分器偏差及規則自我膨脹。