所有文章 · SURL AI News

擴散蒸餾只對齊最終 CFG 速度可能掩蓋分支錯誤，PDM 改為分別約束正向預測與條件方向

新研究發現，on-policy 擴散蒸餾若只匹配 classifier-free guidance 合成結果，正、負分支的誤差可能互相抵銷。Positive-Direction Matching 將兩者拆開監督，在密集到稀疏的影片控制實驗中降低模型對推論 guidance scale 的敏感度。

MemTX 不再讓代理寫入的資訊立即成為可執行事實，而是加入證據、權限、來源、快照隔離及驗證提交。研究在五款模型上報告零下游傷害，但結果仍來自受控評測，尚未證明能修復真實外部系統的不可逆副作用。

百度研究團隊公開 100 項長流程文件、試算表與簡報任務，並附上人工工時、價格代理值及可執行驗證器。最佳模型平均得分為 17.91，人類基線為 27.79，說明推論便宜且快速仍不等於交付物可直接使用。

BAAI 將深度研究改寫成「搜尋—逐條驗證—定向補查」的遞迴迴圈，並訓練模型自行壓縮已確認證據與未解限制。4B密集模型與122B-A10B MoE權重已公開，但其優勢主要來自可自動驗證的合成任務，尚不能直接外推至開放式科學研究。

NVIDIA 將 Nemotron 3 Ultra 接入「生成—測試—反思」的 RTL 代理迴圈，在 CVDP 九類代理任務取得 97.1% 平均通過率。結果顯示可執行驗證能大幅強化晶片設計模型，但資料關聯、工具設定及供應商自測仍限制外推。

Moonshot AI 正式釋出 Kimi K3 權重與技術報告；模型具備原生視覺、百萬 token 上下文，每個 token 啟用 896 個專家中的 16 個。開放權重使官方能力宣稱終於可以重現，但逾 1TB 的低精度權重仍讓完整部署遠離一般工作站。

Laguna S 2.1 以滑動視窗、注意力閘門及 FP8 KV cache 壓低長上下文成本，主打可自行部署的代理程式設計。模型提供多種精度權重與完整評測軌跡，但百萬 token 能力、效能比較及單機可行性仍高度取決於量化格式與執行環境。

研究團隊讓代理在推理期間預測並提前執行自己的下一個工具呼叫，以共用權重及 KV cache 取代外部草稿模型。聯合強化學習把兩款 Qwen 4B 模型的平均 Hit@1 分別提升至 61.2 與 66.3，但論文尚未量化真實並行部署的端到端加速。

開源 SkillGate 在代理載入技能前，以 530 條規則定位可疑片段，再交由 LLM 判斷與隔離。官方基準測得 1.13% 誤報率及 76.9% 召回率，顯示低成本閘道可行，但尚不能取代沙箱與最小權限。

Shieldstral 把內容審核統一成可由自然語言指定的二元問答，讓同一模型依產品情境切換判斷標準。論文報告其文字與多模態平均 F1 分別達 84.9% 與 83.8%，但模型權重與完整推論套件尚未同步公開。

首個大規模 MCP 用戶端研究發現，官方 SDK 與檔案式設定已成主流，但阻塞式工具批准率僅 37.2%。協定統一了通訊格式，卻尚未讓權限、設定與人工監督形成一致的應用層慣例。

Surge AI 公開 65 項長流程代理任務，要求模型跨郵件、聊天、日曆與企業工具遵守20至124頁的變動政策。最佳配置在全部規則同時成立的嚴格評分下只通過36.2%，顯示長上下文容量不等於持續合規。