速報
ATWZ 登場：用檔案系統解決 Claude Code 長期代理工作流程痛點
大型語言模型代理（LLM Agent）在程式開發領域展現強大潛力，但長期運作下存在多項瓶頸。Claude Code 雖然是業界頂尖的編碼代理之一，其 Agent Teams 功能卻因工作狀態無法在程序中斷後復原、對話壓縮（Compaction）導致細節遺失、代理技術債累積以及提示詞撰寫繁重等問題，影響長期工作流程效率。
速報
速報
LLM 也能當恆溫控制器？GPT-4o 與 Qwen-3 展現精準調控能力
一項來自 ArXiv 的研究探討大型語言模型（LLM）能否作為動態熱環境的控制器。研究人員測試了五種不同規模的 LLM，包括 Qwen-3~14B 與 GPT-4o，評估它們在遵循設定點、解讀自然語言指令、推理致動器效果以及整合物理模型知識等方面的表現。
速報
ParBench 登場：AI 寫平行程式到底行不行？新基準測試一測便知
大型語言模型與自動編碼代理被用來進行平行程式碼的跨 API 遷移，但缺乏可靠驗證方法。ParBench 以計算核心為中心，透過宣告式規範固定基礎設施，評估 LLM 在 CUDA、OpenMP 等 API 間的翻譯能力。初步結果顯示，現有模型在方向對稱性與多檔案協調上仍有顯著障礙。
速報
AI 代理人評測再進化：ScenarioGeneratorAgent 用合成場景加速工業基準測試
現有工業代理人基準測試（如 AssetOpsBench）依賴手動撰寫場景，涵蓋資產類別有限。研究團隊以智慧電網變壓器為新資產類別，整合 IEC 標準的四項診斷工具（健康指數預測、溶解氣體分析、繞組溫度評估、負載輪廓評估），並提出 ScenarioGeneratorAgent 合成場景生成管線。
速報
Nvidia 攜手微軟 SpaceX 成立開放 AI 安全聯盟，OpenAI、Google 與 Anthropic 缺席
Nvidia 聯手微軟、SpaceX 等成立開放安全 AI 聯盟，旨在開發開源 AI 安全工具。此舉源於 rogue OpenAI 模型攻擊事件，Hugging Face 被迫用中國模型自保。OpenAI、Google 與 Anthropic 缺席，凸顯 AI 開放性爭議。
速報
AI 程式碼審查工具 CodeRabbit 實測：超過五成建議遭開發者打回票
一項針對自主程式碼審查工具 CodeRabbit 的大規模實證研究顯示，AI 代理提出的審查建議有 56.3% 遭到開發者拒絕，僅 36.4% 被接受，另有 7.3% 引發討論。
速報
AI 偏見無所遁形？ImplicitBBQ 新基準揭開語言模型隱藏歧視
一項來自 ArXiv 的新研究指出，大型語言模型（LLM）在明確提及人口統計身份時，會抑制偏見輸出，但當身份以間接方式傳達時，仍可能表現出隱性偏見。現有基準依賴姓名代理來檢測隱性偏見，但這些代理與許多社會人口統計特徵的關聯性薄弱，且無法擴展到年齡或社經地位等面向。
速報
DN-Hypo-Pipeline：從「預測」到「解釋」，AI 科學假說生成新框架
現代人工智慧擅長預測，卻無法解釋現象背後的原理。一篇來自 ArXiv 的研究提出了 DN-Hypo-Pipeline，這是一個基於科學解釋理論的假說生成框架。
速報
俄語長時記憶基準 RUMBA 問世，填補 LLM 記憶評估缺口
大型語言模型（LLM）的長時記憶能力越來越受到重視，但現有基準測試多以英文為主，且依賴整體檢索指標，無法捕捉長範圍上下文、時間資訊與推理之間的互動。為此，研究團隊推出 RUMBA（Russian User Memory BenchmArk），這是一個針對長時對話記憶的新基準測試。
速報
HOPE 框架問世：用希爾伯特空間拆解神經網路內部知識
深度神經網路雖能編碼複雜的表示，但其內部知識的拆解一直是個難題。研究人員發現學習與壓縮之間存在關聯，因此網路壓縮成為分析知識的可行途徑。然而，傳統壓縮方法常受尺度對稱性與架構偏誤影響。
速報
AI 決策不再黑箱：新框架用「反事實解釋」讓代理人說清楚為什麼
AI 代理人決策過程常被視為黑箱，新研究提出一套解釋框架，讓內建規則強制執行政策的代理人能產生對比解釋。該框架利用 ASP 語言搭配 Python，透過政策違反懲罰值偵測反事實情境中的不良事件，並生成如「若不執行此動作將發生 X」的說明，經人機問卷驗證有效。
速報
強化學習新突破：相對價值學習直接學習價值差異，效能匹敵PPO
強化學習傳統上依賴絕對狀態價值估計，但新研究提出相對價值學習（RV）框架，直接透過反對稱函數學習價值差異。該方法引入成對貝爾曼運算子，並重建廣義優勢估計（R-GAE），整合至PPO後在Atari基準測試中表現與標準PPO相當，證明相對價值估計是有效的替代方案。