教育科技研究速報

研究提出 BenchAgent 框架，發現多 Agent 系統在標準化條件下往往不如單 Agent，除非採用動態生成的運行時工作流。

本文推出 CL-Bench 基準測試，揭示現有 AI 代理在透過經驗進行持續學習時仍面臨過擬合與知識重用失敗的挑戰。

提出 FIDES 解碼器，透過 Token 層級的衝突偵測，解決 RAG 模型在檢索資訊與內建知識衝突時的偏誤問題。

本研究比較多種 LLM 在 Lean 4 數學形式化證明中的效能，並從準確度與成本效益兩方面進行評估。

開發 SoCRATES 基準測試，用於評估 LLM 在多樣化社會認知情境下進行主動衝突調解的可靠性。

提出一種結合三階段課程學習與多模型回應選擇的框架，以提升醫療問答系統處理不同嚴重程度病例的精準度。

本文提出 OPT* 任務框架，透過可擴展的搜尋空間訓練 LLM 進行複雜的逐步優化決策推理。

提出 Brick-Composer 框架，透過結合人類設計、物理回饋與合成經驗，提升 MLLM 在積木組裝任務中的精準度。

本研究比較了專家與三種大型語言模型在臨床文獻摘要的表現，發現專家撰寫的摘要仍較受青睞。

研究發現 LLM 在驅動程式演化時會出現結構性收斂，導致變異陷入重複的模式而非持續探索新形式。

本文推出 Agents' Last Exam (ALE)，透過涵蓋 13 個產業與千餘項真實任務，評估 AI 在具經濟價值的長程工作流中的表現。

提出 LeanMarathon 多代理框架，透過動態藍圖與分層協調機制，實現大規模且可靠的研究級數學自動形式化。