機器人／世界模型
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。
Archive
所有新聞
共 972 篇技術新聞
機器人／世界模型
多模態模型評測
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。
代理工程與評測
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。
代理系統／可觀測性
TrajDebug 追蹤代理錯誤生命週期，失敗診斷讓重跑成功率平均提高 10.8%
TrajDebug 不把代理軌跡中的第一個錯誤直接當成根因，而是追蹤錯誤是否修復、留下終局影響及消耗復原預算。團隊以 486 條人工標註軌跡測試，診斷轉成提示後使相同任務重跑成功率平均提高 10.8%。
模型最佳化
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。
模型訓練與推理
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 程式代理研究
36,710 個 GitHub 專案只留下 85 份代理計畫，多數尚非長期維護文件
新研究區分常駐的 AGENTS.md 與針對單一任務的 Agent Plan，檢查計畫如何進入公開版本歷史。樣本高度集中於少數專案，顯示「計畫即協作產物」仍是早期且不穩定的實務。
AI 程式開發工具
Meta 推出 Muse Code：以持久背景代理與事件日誌支撐長時程程式任務
Muse Code 將 Muse Spark 1.2 包裝成終端機代理，能在隔離 worktree 內平行處理大型程式庫。其附加式事件日誌可在程序中斷後重建狀態，但效能數字主要仍由 Meta 自行提供。
AI 評測與安全
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%。
AI 代理與開發工具
Argus 讓固定權重代理累積經驗，SWE-Bench Pro 準確率由 59% 升至約 78%
Argus 把長期任務拆成受限 mission，並由 Manager、Planner、Engineer 與 Reviewer 共同維護可持久化狀態。作者報告它以 1.41 倍 token 成本提高程式修復成績，代理產生的 RWKV6 核心亦經外部修正後合併至開源專案。
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。