所有文章 · SURL AI News

Oilbird 重用驗證器隱藏狀態做語意草稿，API-Bank 解碼達自回歸 4.4 倍速

Oilbird 為免訓練推測解碼加入語意索引，找回因少量參數或 token 不同而被精確字串比對漏掉的既有續文。研究自報把三種草稿器的平均接受長度提高 24% 至 29%，但尚未釋出可獨立重現的程式碼。

ContinualSkillBench 以五個領域、每域 100 個逐步相依任務，檢驗代理能否把經驗整理成可重用技能。顯式技能庫平均未明顯勝過單純保留上下文，顯示技能數量增加不能直接證明代理具備持續學習。

LiveEvalBench 以建置、程式碼及瀏覽器操作三類代理蒐集證據，再依每個作品實際功能產生檢查項目。框架與資料已公開，但評分仍依賴 LLM 裁判，成本、可重現性及裁判偏差需要進一步量化。

MAFIA 先探測記憶檢索器的偏好，再以簡短事實包裝惡意指令，使污染紀錄更容易被代理取回。研究自報可把稽核偵測率壓至最多 7.4%，但公開儲存庫目前仍只有預告頁面。

MissClick 不把 GUI 座標視為一般文字，而是利用百位數 token 的微小變動造成大幅點擊位移。研究在 OS-Atlas 與 UGround 上顯著提高攻擊成功率，顯示電腦操作代理不能只靠元素定位準確率評估安全性。

ReflectRL 不再丟棄強模型答錯的推理軌跡，而是要求學生模型找出局部錯誤，再逐步撤除這項提示。研究在九項基準上報告穩定提升，但成果主要來自數學推理設定，專案所列 GitHub 連結目前亦無法存取。

GitHub 已停止 Spark 接受新使用者與建立新應用，既有使用者只能在 8 月 31 日前匯出程式碼。已部署的網站可繼續運作，但依賴 GitHub Models 的 llm() 呼叫已失效，開發者必須接入外部模型並接手金鑰與帳務管理。

新研究發現，模型會以猜公式、枚舉或先猜答案再驗證等捷徑，取得正確結果卻未完成題目要求的推導。研究團隊認為，只比對最終答案可能高估前沿模型的科學推理能力，但自動稽核器本身仍有分類誤差。

Faster-WAM 把單層動作頭接到 30 層影片 Transformer，透過跨層 KV 融合取得世界模型表徵，不再讓動作分支複製完整骨幹深度。研究報告相對 Fast-WAM 加速 3.2 倍，但尚未公開新架構的程式碼與權重，結果也主要來自模擬基準。

Iris 不再只沿候選解答樹反覆改程式，而是先調查關鍵未知，再把跨實驗證據整理成可新增、更新或撤銷的主張。論文自報在完整 MLE-Bench 上以一半於直接對照組的時間取得較高獎牌率，但系統程式碼與完整執行軌跡尚未公開。

AtumAI 把自然語言需求轉成含目標、硬限制、決策變數與評估方法的中介表示，再結合擴散模型、演化演算法及代理模型搜尋策略。研究在工作配置、資源伸縮與電力管理上報告改善，但結果來自模擬器，尚未證明能安全接管生產控制平面。

Harness-R1 不調整目標代理的模型權重，而是訓練另一個 9B 模型修改其上下文、工具與驗證程式。三個環境的平均成功率由 44.3% 升至 53.6%，但尚無公開程式碼可供檢查補丁安全性。