LongMemEval-V2：測 agent 長期記憶
LongMemEval-V2 用 451 題測試 agent 能否記住 Web 環境經驗，而不只是使用者歷史；結果顯示以 coding agent 蒐證的記憶法準確率最高，但延遲也更高。
時間軸
MeanFlowNFT 把前向流程 RL 接到 MeanFlow 的平均速度生成器上，保住少步採樣的速度，也讓對齊訓練變得可行。
這篇論文證明，凍結骨幹後做分析驅動的線性化改造，能更接近原本 Transformer 的品質與長上下文行為。
Co-LMLM 把固定 KB 查詢改成連續向量查詢，讓模型能在不把事實寫進權重的前提下，提高事實精準度。
建立一套可落地的微調 LLM 評估流程，涵蓋任務指標、LLM 評審、安全檢查與人工複核。
DeepSpec 最好的理解方式，是把它當成對對話資料做重生的管線，而不是一個單純的訓練技巧。
PAW把自然語言任務規格編成可離線執行的小型神經工具，讓模糊任務能重複使用、降低推理成本。
LACUNA 用已知參數位置，直接測 LLM unlearning 是否真的擦掉記憶，而不只是讓模型表面上不說。
這篇論文證明，能跨 PR 持續工作的 AI coding agent 可以把攻擊拆散到多次提交，讓傳統 diff 監控更難抓到。
研究顯示，把自然語言批註直接拿來訓練策略，比只用分數回饋更能從次佳示範中學到有效行為。
這篇研究指出，強化學習後訓練的主要增益，可能集中在 Transformer 少數層，甚至只訓練一層就能拿回大部分效果。
BINEVAL 把原本模糊的 LLM 評分拆成一連串是／否題目，主打更可檢查、可除錯的評估流程，並在多個 benchmark 上對上 G-Eval 與 UniEval。
RLMF 用元認知回饋訓練 LLM，讓模型的自信表達更貼近真實不確定性，且保留原本準確率。
QVal 提供一種免訓練的方式，先比較長鏈路 LLM agent 的密集監督訊號，再決定要不要投入完整訓練。
這篇研究指出，固定不更新的解釋資料，仍能讓模型學會描述自己當下的行為，而且會跟著行為變化一起移動。
WorldEvolver 透過測試時記憶修訂，讓 LLM 代理在不改權重下更新前瞻與規劃能力。
LeVo 2 透過分層表示與漸進式後訓練，改善完整歌曲生成的穩定性、可控性與音樂性。
VLK 證明可用重建室內場景合成視覺、語言與運動監督，訓練人形機器人完成導航與單物件搬運。
Rootly 的 SRE benchmark 顯示，Claude Sonnet 4.6 在事故調查上已接近 Opus 4.6，且每百萬輸出 Token 成本低約 40%。
Semgrep 的 IDOR benchmark 顯示，GLM 5.2 在純提示詞條件下 F1 贏過 Claude Code，且每個漏洞成本約 0.17 美元。
我拆 On-Policy Distillation 的做法，整理成可直接套用的後訓練模板，少碰硬拼 RL。
我拆 Google DeepMind 這頁，看看它怎麼把 AI 從口號包成研究工具，讓開發者能抄走定位、流程與模板。
這篇研究指出，LLM 在一個情境學到的行為，常常無法穩定轉移到報酬等價但表面不同的環境。
Prompt injection 會用隱藏文字操控 LLM。近期測試顯示，像 DeepSeek-R1 這類模型，仍可能在注入攻擊下失手。
這篇論文指出，在多重納許均衡的零和博弈裡，不同求解器不只會收斂，還會系統性挑不同的均衡。
DexCompose 用手指級的動作分工，把已訓練好的靈巧手策略組成多任務操作，並在 16 個任務上達到 77.4% 平均成功率。
我拆 HaWoR 之後，只剩一個重點：它不是在猜手的網格，而是在預測 MANO 參數，整個 pipeline 會乾淨很多。
USC 公布 NVIDIA 3 萬美元學術補助，主打健康與 AI 研究，申請截止日是 2026 年 6 月 30 日，內容是 H100 GPU 時數，不是現金。
CUDA Toolkit 13.3 修掉一個從 12.8 就存在的編譯器錯誤。這個 bug 會在巢狀分歧的 GPU kernel 裡弄壞暫存器值，結果可能是算錯，不是當掉。
我認為 Kimi-K2.5-W4A8 在 AMD MI325X 上變快，主因是 EAGLE3 的 speculative decoding，不是 kernel 微調；真正改變的是解碼幾何，而不是單一算子效率。
我把企業 LLM 微調拆成一套可直接抄的流程：先判斷該不該微調，再做資料清理、模型選擇、評估與上線。
ArBG 把 Boltzmann Generator 從 flow 改成自回歸建模，主打更快、更可擴展的平衡態分子採樣。
RiVER 證明 LLM 可以只靠執行回饋與分數校準，在沒有標準答案的任務上學出更好的策略。
DanceOPD 用 on-policy 蒸餾，把文生圖與編輯能力放進同一個 flow-matching 模型，減少彼此互相干擾。
Microsoft Research 開出 2026 春季 CFP，研究 AI 怎麼幫團隊協作。每案約 5 萬到 7.5 萬美元，重點放在會議、分工、共識與群體生產力。
知乎整理 3 篇 arXiv AI 論文，涵蓋程式生成、即時音樂與罕病診斷。重點不在聊天，而是不同架構如何處理結構、延遲與專業推理。
6 月 24 日的 arXiv 論文整理，聚焦 agent 記憶、工具使用評估與對話式搜尋，對做 AI 代理和搜尋助理的人很實用。
這篇論文指出，自蒸餾能拉高 pass@1，卻會壓縮輸出多樣性，讓模型在分布外情境更脆弱。
RevengeBench把隱藏遊戲政策的反向工程做成可測試任務，證明主動探測能讓 LLM 更接近還原可執行策略。
這篇論文證明，先用動作軌跡學出 motion prior，再做視覺語言對齊，能讓跨具身操作訓練更快、成功率更高。
我把 OPSD 拆成一個可直接抄的閉環：怎麼把隱性用戶回饋變成校正資料，再持續訓練模型。
UltraQuant 證明 4-bit KV 快取能讓長篇多輪代理在更少記憶體下維持更多上下文，並在後段輪次明顯加速服務。
FLUX3D 透過對齊稀疏 3D latent 與密集 2D token，改善影像轉 3D Gaussian 時的細節流失問題。
InSight 讓 vision-language-action 政策在沒有目標任務人類示範的情況下，自行拆解原始動作、找出缺口，並收集新技能資料。
Anthropic 對遞迴自我改進的警告是正確的，但更大的問題是 AI 的治理速度已經跟不上能力擴張。
OpenAI 研究團隊一週內找出 Chrome、Safari、Firefox 的可利用漏洞，顯示瀏覽器核心引擎仍有不少攻擊面，Mozilla 也因此提前修補 Firefox。
AgamiSoft 的 2026 指南整理了生產環境 LLM 微調選型，從開源模型、資料整理、評估到部署，重點放在成本、延遲與可維護性。
我拆 LifeSciBench 怎麼把生命科學模型評估拉回真實科研工作，順手給你一份可直接抄的評測模板。
CoorDex 把人形機器人的身體與手部控制壓成 latent priors，讓它能在移動中完成精細操作。
Randomized YaRN 透過隨機化位置編碼與長度課程，讓只看過短上下文訓練的 LLM，更能推廣到 16K 到 128K 的長推理窗口。
AutoDex 把靈巧抓取的實體試驗、成功失敗標記與重置流程全自動化，讓資料蒐集不再卡在人工作業。