論文基準

提出 OpenDS 任務與 OpenDS-World 基準，評估代理在即時開放網路中進行多步驟深度搜尋的能力。

研究團隊提出 SpatialScout 基準，評估視覺語言模型（VLM）智能體在有限互動次數下，能否透過主動探索建構精確的 3D 物體地圖。

MemTensor 推出 MemT-1.0 模型家族，將記憶機制整合進模型計算，在 128K token 歷史長度下展現推論加速與儲存空間減少。

微軟在 Science 發表研究，稱其 AI 診斷系統在 The New England Journal of Medicine 病例測試中準確率約 83%，通才醫師約 36%；系統僅以過往病例測試。

研究指出循環語言模型在測試時執行更多迭代未必能幫助解決更長的問題，並提出進度對齊循環（PAR）方法。

研究團隊提出 StreamEval 基準，針對 5 類任務評估 37 個模型，發現高視覺品質不等於能可靠執行指令。

Ropedia 發布 Ropedia W0，利用 10k 小時人類與 3k 小時機器人資料訓練，在多個基準測試中展現效能。

研究團隊提出 Matrix-Game 4.0，透過分離遊戲邏輯與視覺生成，在單張 NVIDIA RTX5090 上達成 480p、60 FPS 的即時可玩體驗。

該研究針對全模態 GUI 代理在流式觀察中因資訊過載導致的序列干擾問題，提出一種輕量適配器 FocusGUI，透過動態優先處理多模態通道來優化決策。

研究團隊開發 EgoX-Engine 自動標註引擎與 EgoX 模型，在共享世界座標系中同時重建相機、場景、手部與物體。

該基準使用來自總計 USD 3.68 million 付費 OR 專案的 31 個去識別化案例，評估大型語言模型代理在無專家預先重構的情況下，直接從原始客戶資料產出運算研究解決方案的能力。

該基準測試提供 AI 代理一篇科學論文及一個研究方向，任務是撰寫後續論文。結果顯示，135 篇提交作品中無一篇滿足所有條件，且多數未通過誠實性檢查。

論文稱 4 個代理在隨機生成、Easy 難度的 Minecraft 世界中，寫了 2,783 支程式、死亡 605 次後打倒終界龍。

研究團隊利用參數高效微調技術，在有限神經資料下適應大型多模態預訓練模型，並在 Algonauts 2025 Challenge 取得最佳公開成績。

加州大學聖地牙哥分校研究團隊提出 ACT3D，讓視覺語言模型透過強化學習學會在 3D 空間中主動移動與觀察，而非依賴多視角輸入。

ant-international 推出 BizBench，針對支付等高風險領域的長程代理進行多輪評估。實驗顯示，即使前沿模型如 Claude Opus 5 與 GPT-6 Sol，嚴格成功率也僅約六成，DeepSeek-V4.1-Flash 的工具呼叫次數亦顯著高於參考執行。

HexaFuture 團隊提出輕量框架 HexaShell，讓 Codex 代理透過 RGB 影像與三角測量控制 ARX X5 機器人。在 RoboDojo 的 42 項任務中，新佈局測試成功率為 39.7%，進度分數 48.0。

SenseNova 團隊評估 GPT-6-Astra 在機器人操作與導航上的表現，指出其已跨過具身能力門檻，但尚未達到實用級具身智慧。

論文提出讓 LLM 代理在潛在推理與文字互動之間切換的 HybridAgent，摘要列出 11 項基準測試的效能、token、速度與成本數字。

研究團隊開發 Dynamic Band Splitting 框架，讓模型根據音訊內容自動調整頻率分割點，在固定計算預算下改善分離效果。

研究團隊開發了一套訓練框架，解決語言代理在真實環境中遇到工具錯誤或使用者糾正時缺乏學習監督的問題。

研究團隊 MAC-AutoML 提出 RoTA-Bench，透過互動式投影對齊任務評估視覺語言模型的三維空間推理能力。測試顯示 GPT-5.6-Sol 在 674 個任務中僅成功 17%，而 20 名大學生參與者以 100% 成功率完成測試集，顯示人機差距仍顯著。

研究團隊 DeepLethe 推出 FDE-Gym，包含 95 個來自真實專案的交付任務。在需要發現未明說約束的情境中，最佳配置平均得分 0.56，僅解決 95 個任務中的 14 個，發現未明說的限制是主要瓶頸。

MJev-Spatial 採用統一分類框架處理空間任務，在八個受測模型中取得最高總體分數（65.64%）。

研究提出 Waypoint-OPD，透過比較強化學習前後教師模型的動作偏好變化方向，篩選有效的蒸餾訊號。

OmniCompass 針對 50 個多模態大型語言模型進行測試，發現開源模型在音訊視覺理解上落後於專有模型，且精確定位仍是難題。

研究團隊提出自動合成長程終端任務資料的引擎 TerminalHorizon，微調出的 TerminalHorizon-27B 在 12 項基準測試都有提升。

研究團隊在多教師同策略蒸餾中加入跨教師守護機制，用來減少不同領域監督之間的梯度衝突與能力退化。

ATAS 把劇本拆成帶有地點、鏡頭與事件時間的鏡頭請求，並以兩套記憶在四個影片生成器上提升跨鏡頭一致性。

研究者提出 AgentSWE 基準，評估多種編碼智能體後發現，沒有一個接近交付需求所要求的成果。

Stanford University 研究者以三層指標檢驗 LLM 的「不思考」表現，發現明確的不思考指令無法穩定消除可見推論。

XPENG AI 的 GroundingPI 在 34 個接地基準上平均 73.68%，並作為視覺骨幹用於機器人操作與自動駕駛。

arXiv 論文提出 AdaC-GRPO，依模型當下能力動態安排訓練題目，讓 Qwen2.5-VL-7B 在視覺數獨上接近 Gemini-2.5-Flash。

arXiv 論文提出 Language as Supervision (LaS)，透過自然語言類別描述對齊神經特徵，在語音解碼準確率上較基線提升最多 17.15 個百分點。

arXiv 論文提出 T-Mem 框架，利用時序結構恢復密集證據並重建事件進展。

研究團隊提出 GeoSpatialBench，針對多模態大型語言模型在真實城市資料上的空間認知與編輯能力進行測試，發現結構化資料表現優於地圖影像。

研究提出 AXLE 預標註階段，利用情境小節與對話生成第一人稱微敘事，以激發標註者的生活經驗。

研究團隊提出 Work2Skill 框架，透過 WorkRecorder 收集人類桌面 GUI 操作經驗，並建構 WorkDemo-350 資料集，用於智能體技能歸納。