模型合并通常要求所有专家用同一个LoRA秩，但各领域的最优秩并不相同。研究者在数学、指令跟随、多语言三个域、四个秩、三种模型规模上训练36个专家，用六种合并方法比较统一秩与各域自选秩：简单平均和按损失效用选分量的方法不受影响，多域准确率最多提高1.8个百分点；TIES、KnOTS这类按奇异值大小裁剪并消解冲突的方法表现不一致，最多损失4个百分点。原因是按幅度选分量会把奇异值最小的指令适配器几乎整体丢弃，IFEval随之下降16到25个百分点。
一个9B小语言模型在单张GPU上本地完成病例级与家系级变异解读，在327例已解决的单例视觉损伤病例中找回93%的专家报告致病变异，其中82%被判为致病或可能致病。
ScienceRSI把科学能力拆成专业化、验证、迁移与复用四步，让专家模型只在同一项科学要求上确实更优时才贡献反馈。在4B→4B设置中，科学推理平均分达到55.0%，比GRPO高2.0个百分点；用Qwen3-8B专家向Qwen3.5-27B目标迁移时，七项基准等权平均分从87.3%升至94.0%。去掉专家贡献验证后，同一4B学生的科学推理平均分从55.0%降至50.6%。
WebAnything把真实网址自动重建为可执行、可重置的本地网站环境，不再需要逐站人工搭建。在5个与WebHarbor匹配的站点、14个历史页面上，它的像素相似度、SSIM和文本F1三项聚合指标都更高，盲审为12胜2平0负；用其5856条交互轨迹微调Qwen3.5-9B后，REAL成功率提高9.9个百分点。
Base Labs 发布 2B 参数的决策模型 joey-1，把分类、审批这类只需一个标签的调用从生成文本改为一次前向直接返回单个 token 和校准概率。此前这类请求要靠 LLM 生成文本，每次调用都叠加成本与延迟。在生产规模下，joey-1 处理平均 2000 token 请求的 P50 端到端延迟为 20 ms，约为 elephant-1（49 ms）的 2.5 倍快，每百万 token 价格 0.01 美元，为 mammoth-1 的十分之一。
AI研究智能体每试一个候选程序都要训练和评估模型，执行成本限制了每步能比较的候选数量。MLE-World 由 Qwen3.5-4B 微调而来，只读代码与数据说明就预测程序的终端输出、异常类型和验证分数，并给出置信度。在17项 MLE-bench Lite 任务的留出程序上，其预测终端输出与真实运行一致的比例为77.9%，提示模型基线为41.1%；以它指导的测试时扩展策略最高比无世界模型的智能体高出22.1%的观测平均表现，同时减少真实执行。
Baseten 的研究实验室发布两个开源决策模型 mammoth-1（27B）与 elephant-1（9B），它们不生成文本，而是对每个问题返回所有可能答案上的概率分布。mammoth-1 在 Jev Decision Index 0.4 上位列 208 个决策模型第一，elephant-1 在该指数上与第 8 名并列、是领先的 9B 决策模型，并在 Artificial Analysis Decision Index 上与 d1-ultra 并列第一。两者由 Qwen3.5-9B 与 Qwen3.5-27B 在 621 万条决策样本上后训练得到，可在 Baseten Model APIs 免费试用一周，并已在 Hugging Face 开源。
心智理论评测常以故事问答判断模型能否推断他人信念，但答对未必意味着能在任务中用上这些判断。研究把家庭协作与日历排程两类可验证任务扩展为信息不对称场景，并拆出世界、信息获取、信念、决策与执行五层独立接口。在匹配的排程案例上，Claude 完整恢复全部智能体信念，却只在67.9%的案例给出主观最优计划；在家庭协作中，向 Qwen-27B 提供信念使任务成功率从55.0%升到75.0%。
硬件安全评估长期依赖人工逐发设定激光故障注入的位置、功率与时序。一个由大语言模型驱动的智能体把固件逆向、芯片图像与实验决策串成闭环，在人工审批的安全边界内自主选择下一发实验。在ATmega328P上，它找到跳过一条加载指令的响应，并取得错误PIN被接受且独立状态读回确认的旁路；在Artix-7现场可编程门阵列上，同一流程扩展到可编程逻辑的密文错误分类。
在Mesa实现的谢林隔离模型中，把一名智能体判断邻居是否同类的符号规则换成由本地Qwen3.5模型通过工具调用完成的语言判断，其余动力学保持不变。用MultiVeStA做统计模型检验后，两种模型在60步内“满意智能体比例”的期望轨迹从约0.65升到约1.0，逐点t检验未显示差异；但LLM版本耗时8917秒，原版约2秒。0.8b与2b模型在单元式检查中出现语义错误、工具调用数目错误或生成卡死，4b与9b通过全部检查。