OpenRouter 用 24 条杂乱的客服消息在九个支持结构化输出的模型上比较了三种拿到可靠 JSON 的办法：发送严格 JSON Schema、强制一次工具调用、或改用只输出标签的决策模型。九个模型共 216 次回复中 209 次符合严格 schema，7 次失手全部来自一家忽略 schema 的供应商；只在提示词里要求 JSON 时则有 18 次因代码围栏失败。对只支持工具的 GLM 5.3 FlashX，强制工具调用得到 24 次中 22 次有效，而直接发 schema 是 0 次。
AnyLanguageModel 发布 1.0，把苹果 Foundation Models 框架的接口做成可替换层，应用只需把 import 从 FoundationModels 换成 AnyLanguageModel，同一段会话代码即可调用系统模型、经 llama.cpp、MLX 和 Core ML 运行的开源权重模型，以及多家托管服务。此前开发者想用本地模型，往往要自己处理多种推理提供方带来的额外复杂度。一年间该库补齐了各提供方一致的工具调用与引导式生成，并新增图像输入和 Linux 运行支持。
Reflection AI 的 Beam 推理模型结束隐身测试，以 stealth/cat-jam 之外的正式名称接入 AI Gateway，并在发布期内免费提供。它面向编程与智能体任务，权重以 Apache 2.0 发布，支持工具调用与结构化输出，上下文窗口为 100 万 token。模型总参数 501B，但每个 token 只激活 23B，并跳过任务不需要的 token，因此比更大的开放模型更早给出答案。
PyRUA-Lean 是一个交互式代码执行框架，让 VLM 智能体把经典机器人原语与冻结的 VLA 策略组合进 Python 单元，在单元内做条件检查与本地重试，并只把显式请求的图像与状态反馈交回模型；在 LIBERO-PRO、RoboTwin 2.0、RoboCasa365 共 700 个仿真任务实例上，与使用同一 GPT-6 Astra 规划器和同一批原语的工具调用基线相比，同等 LLM 调用预算下总体成功率从 63.1% 升至 71.7%，在两者都解出的实例上 LLM 调用减少 49%、输入 token 减少 65%。
这篇 NVIDIA 文章梳理了智能体评测从单次函数调用评分转向整任务完成度评分的过程，提出以执行环境、步骤级（过程）与端到端（结果）两层评分、以及 Benchmark→Trial→Task→Turn→Step 的固定层级为核心的评测框架，并用 SWE-bench Verified 上 pytest-dev__pytest-5262 的真实轨迹（端到端 1、步骤级 3/4、工具调用精确率 3/4、参数准确率 4/4）说明各指标如何解读，同时给出以公开基准设下限、用自有工单与 API 建领域评测的落地流程。
已读完全部报道