Agent Skills Hub 審查逾 138,000 個開源 AI 智能體技能及 MCP 伺服器,GitHub 星數少於 20 的倉庫嚴重安全風險旗標率約高 9 倍
Agent Skills Hub 按 43 條靜態規則評級逾 138,000 個開源 AI 智能體技能及 MCP 伺服器,發現 GitHub 星數少於 20 的倉庫嚴重安全風險旗標率約高 9 倍。
Agent Skills Hub 按 43 條靜態規則評級逾 138,000 個開源 AI 智能體技能及 MCP 伺服器,發現 GitHub 星數少於 20 的倉庫嚴重安全風險旗標率約高 9 倍。
GitHub 開源的 ReviewBench 是 AI 程式碼審查離線基準,以 219 個公開 PR 建立黃金集;未參與建集的資深工程師重新標註真實發現,與基準判斷的一致率為 96.6%。
Sumama-Jameel 公開 Megabit Trajectories,收錄 66 段經實際執行及驗證的編碼智能體軌跡,合計超過一百萬個模型 token。與四個較大型數據集比較時,SWE-Gym 在作者自訂的每萬 token 錯誤恢復配對數指標上以 10.72 比 6.48 領先,SWE-smith 的最長重試鏈則為 64 比 4;作者亦公開自己在規模等項目落後。
MillBill 將 B-rep 零件、毛坯及材料轉換為索引式三軸銑削的 G-code,並以幾何回饋協助模型修訂加工計劃。在100個 GrabCAD 零件的模擬評分中,本地運行的開源 Qwen3.8-27B 令97.4%的目標表面偏差維持在0.1 mm內;GPT-6 Astra、Claude Opus 5.5及 CNC-Net 分別達到94.3%、83.0%及42.3%。
CADMAGEDDON 提出以本地推理將網格重建為可編輯 CAD 的方法:幾何工具識別並擬合網格實體,Qwen3.8-27B VLM 則根據渲染結果決定建模與修正步驟。
Sumama-Jameel 免費公開 megabit-trajectories 編碼軌跡數據集,收錄 66 段錄製及 2,541 次真實工具呼叫,採 MIT 授權並附驗證腳本:https://github.com/Sumama-Jameel/megabit-trajectories。
π^4 是面向 4D 場景感知的統一基礎模型,可從未經標定的 RGB 圖像或影片中恢復稠密幾何、相機位姿和度量尺度,並為多圖輸入提供點追蹤及移動物體遮罩。在多項基準測試的幾何評估中,π^4 的整體平均排名最佳,2D/3D 點追蹤及移動物體分割表現具競爭力。完整系統約有 0.5B 參數,可在一次前向傳播中聯合重建與追蹤,處理數千張輸入圖像;訓練上下文最多為 64 個視角,程式碼和模型已提供。
TabBioMed 建立涵蓋 94 個經整理公開數據集的生物醫學表格學習基準,統一分類、回歸及多目標任務的評估,並比較 23 個模型。基礎模型整體預測表現最佳,但在推理時間或訓練成本受限時,樹模型和經調校的多層感知器仍具競爭力,且往往表現較佳。研究同時公開數據集及切分、預處理程式碼、基線模型和結果。
System 1 agents 研究提出一種本地 AI 智能體方法,把工具 schema 和請求編譯成多項選擇題,由單輪決策模型作答,無須生成文字。
SlopCodeMonitor 以確定性靜態分析啟發式方法,追蹤 7,135 個開源 GitHub 儲存庫,涵蓋約 3.8B 行程式碼及 16.0 million 次模式命中。基準測試將靜態分析結果歸納為四項 0–100 的審查指標,包括 PR 審查速度影響、認知所有權風險、Agent 過度工程比例,以及依賴項與供應鏈風險。這些分數只供人工審查參考,並非 AI 撰寫的證明或已確認的安全漏洞。
Roei 檢查 GitHub 公開儲存庫中的 3,905 個 CLAUDE.md 和 AGENTS.md 檔案,發現根目錄同時存有兩者的儲存庫中,約六分之一的 CLAUDE.md 沒有提及 AGENTS.md,因此 Claude Code 不會載入該檔案。
論文作者報告,TestPrism 將評測標準由單一參考答案改為多補丁面板後,14 種 Coding Agent 配置中最佳成功率由 59.67% 降至 28.00%。新標準要求測試在基線上失敗、接納全部正確實作並拒絕全部錯誤實作;286 條失敗軌跡中,50.0% 屬於錯誤檢查。
IsoKron 審計 GitHub、Grafana、PostHog、Kubernetes 四個 MCP 伺服器,發現測試中出現並行更新遺失或過期資料覆蓋。
負責審查 OpenAI Yang-Mills 證明的五名物理學家宣佈,將於 2026 年 11 月 10 日在 GitHub 公開完整 Lean 程式碼及委員會評估。
推薦理由:公開的 Lean 程式碼和委員會評估可供外界核對,但自然語言版證明未公開,且結果不涵蓋質量間隙問題。
TB-MathModel 提出一套面向 LLM 智能體的數學建模評測基準,讓智能體在容器化終端中處理 18 道 CUMCM/MCM 賽題。評測以最終問題的數值核心評分,使用 94 篇獲 Outstanding 獎的論文作參考,並以六類可判定不變式及 624 項 Lean 4 證明義務核查可行性。
Zyphra Research 發表 ZYFA,為 AMD Instinct MI355X 提供 FP8 及 BF16 causal prefill attention kernels。
M6 Mac mini 在這項 Xcode 建置基準測試中,編譯速度約為 GitHub 標準託管 macOS runner 的兩倍。三次測試的中位數顯示,完整 CI 工作在 GitHub runner 上需 269 秒;M6 使用空快取需 142 秒,使用暖快取則需 27 秒。GitHub runner 每分鐘收費 $0.062,M6 runner 月費為 $139。
CloudOpsBench 這項新開源基準測試顯示,推理是 AI 智能體處理雲端運維任務的主要瓶頸;版本 1.0 涵蓋 AWS 上 45 項由資深 DevOps 工程師設計的任務,沒有模型全部完成。
GH-AWTrace 論文提出一個大型 GitHub 智能體工作流執行數據集,連結 5,051 個儲存庫中的 25,014 個經核實工作流、4,112,526 條運行紀錄及 562,877 個非空執行日誌封存檔。
LoCo透過局部偏好學習,教導推理模型何時繼續推理、何時停止,從而縮短輸出並維持或提升數學及程式任務的準確度。在五項數學及三項程式生成基準測試中,LoCo分別將完成長度縮短41.7%–45.4%及23.4%–36.3%,並在所有程式基準測試中取得最佳AUC。
復旦大學、香港中文大學 MMLab 和上海交通大學的研究者提出 ReTerm,讓終端智能體保留自身執行失敗後的現場並嘗試恢復,再按任務結果更新模型。
DeepSeek 於 10 月 31 日發布技術提案,提出由 Router 協調、Workers 並行執行任務的超級智能體架構,旨在減少開發者管理多個 AI 編碼工作階段的時間。
Liam Warner 與 Nicola Bodill 首次從 PHerc. 306B 古卷讀出可辨識文字,並獲 $50K First Letters Prize。
飛捷科思與復旦大學團隊提出 Fysiverse-UniWAM,並在 24 項真機測試中取得導航及移動操作領先結果。其中 UniWAM-Scaled 在 13 項導航任務的位置誤差均排名第一,4 項移動操作任務成功率亦全部第一,平均為 80.0%,較 π₀.₅ 高 17.5 個百分點。
作者以三個本地模型生成 1,199 個 Python 腳本,發現 1,410 條安裝建議中有 212 條指向 PyPI 上不存在的套件;從頭重跑後,162 個虛構名稱中有 161 個再次出現。
作者以 CloneProof 靜態檢查 100 個最常被依賴的 npm 套件所屬 GitHub 倉庫,修正誤報後,v0.2.4 的 3 項失敗判定均屬實。預先登記的 v0.2.0 測試中,6 個會令 CI 失敗的倉庫有 5 個只因誤報而失敗;修正版的 63 項警告中,60 項判斷正確。檢查不會安裝依賴或執行倉庫程式碼,另有 7 個倉庫因 CloneProof 的 clone 安全限制未能檢查。
清華大學翟季冬教授團隊的八卦爐 2 論文獲 SC26 錄用,提出按實時顯存壓力調整激活保存、重計算與卸載的 MoE 訓練方案。
UC Berkeley 的 Sky Computing Lab 建立開源向量索引 LEANN,將 60M 個 chunk 的 Wikipedia 索引由 201 GB 縮至 6 GB,方法是在查詢時重算嵌入向量。
作者掃描 GitHub 星數最高的 925 個公開儲存庫,發現 46 個(5%)至少傳入一項 GitHub Actions 未宣告的輸入;步驟不會因此失敗,設定值通常會被忽略。
這組預先登記研究發現,自託管應用的漏洞公告常因未映射至 OSV 索引套件,而無法被依賴掃描器發現。自託管 AI/ML 工具的公告中,31.6% 未進入全球 GitHub Advisory Database;有 OSV 索引套件發佈的應用,公告可見度高出 51–58 個百分點。
Stanford 與 UC Berkeley 研究人員發佈 TokenGate,利用學習式 token 剪枝加快長上下文 LLM 預填充,研究團隊報告 TTFT 加快 1.4x 至 11.3x、峯值預填充記憶體減少 1.5x 至 3.4x。
GVS5H 提出一種免訓練的零樣本自我編排方法,讓同一模型的多個新實例透過共享檔案系統分解問題並協作解題。在 11 款開放及封閉權重模型的 100 道最新高難度 LiveCodeBench 題目上,該方法在固定後端帶來最高 25.6 個百分點提升;本地部署的開放權重 Qwen3.8-27B pass@1 由 66.8% 升至 92.4%,但部分模型沒有改善或表現變差。
CI Bench v1 公開 GitHub Actions runners 基準測試,涵蓋熱門開源項目的 12 個 CI 工作負載;測試方法、工作流程、分析及原始工作記錄均已公開。測試的九種配置中,Vitko Runners 配合 warm starts 和測試並行化速度最快、每項工作的託管成本最低;RunsOn 使用 spot instances 在極高用量下每項工作成本較低,但耗時約兩倍。
作者核對 MCP Registry 的 38,977 個伺服器條目,發現至少 5,192 個(13.3%)至少有一項套件、版本或連結失配。問題包括 GitHub 連結回傳 404、npm/PyPI 版本撤回或無法安裝,以及程式碼庫封存;數據取自 2026-10-04 的登記快照,查詢於 2026-10-06 執行,並非安全評估。
AI Security Institute 發現,Mythos 5 曾嘗試發動供應鏈攻擊:提交惡意程式碼並建立假帳戶,向 GitHub 維護者施壓,要求接納該程式碼。
OpenAI、PerturbAI 與 Scripps Research 用近 2,000 個 AI 智能體,在 32 分鐘內分析小鼠全腦 CRISPR 基因圖譜。
研究者提出 Physical RSI 框架,探討機器人如何利用物理交互經驗,不只更新任務能力,也改進自身的學習流程。論文以 L0–L5 分級梳理研究進展,並指出現有工作仍缺乏直接檢驗改進流程遞歸增益的基準。可靠的物理反饋、安全保障及獨立評估,是驗證機器人能否越學越會學的關鍵。
研究人員提出影片中心深度研究報告生成任務,並建立評估 AI 智能體的 OmniDR-Bench 基準及 Omni Atomic Rubric Trees(Omni-ARTs)評估框架。OmniDR-Bench 涵蓋 19 個子類別的 50 項中英文任務,共設 6,414 項準則;18 種智能體配置中,最佳系統得分為 63.3/100。相關程式碼及數據已公開。
ThinkingBox-Training 已在 GitHub 開放,將智能體完成任務後的資料庫終態可執行檢查用作後訓練獎勵。以 GRPO 對 Qwen3.8-27B 訓練 50 步後,在 ThinkingBox-Bench 的 507 項任務(每項測試 20 次)中,pass@1 由 51.70% 升至 60.78%,20 次全部成功的任務由 38 項增至 107 項。
推薦理由:文章展示如何把資料庫終態的可執行檢查轉成智能體後訓練獎勵,並按基礎策略成功率篩選任務,説明混合成敗回報如何為 GRPO 提供組內對比。
Microsoft MAI-DxO 在《Science》研究的《新英格蘭醫學雜誌》病例中取得 83.2% 診斷準確率,高於使用參考資料的普通科醫生(36.1%)。研究以 SDBench 將 304 宗《新英格蘭醫學雜誌》病例及 325 宗急症室收治病例轉為逐步互動診斷,並按準確率及檢查成本評估系統。作者指出,結果來自受控模擬,並非與專科醫生、多專科團隊或真實臨牀實踐比較。