深度分析
MAVEN：模組化驗證與執行框架提升 GPT‑OSS‑120b 代理人任務正確率
隨著大型語言模型被用於自動化工具呼叫，通用性仍是挑戰。研究提出 MAVEN 框架以結構化分解、適應性工具編排與中間驗證，並打造 MAVEN‑Bench 壓力測試基準。實驗顯示在不額外訓練下，MAVEN 將 GPT‑OSS‑120b 的正確率從 48% 提升至 71%。
工具呼叫
深度分析
Lambda/Hermes 代理推理軌跡資料集全流程：載入、解析與微調實作
本篇介紹 Lambda/Hermes 代理推理軌跡資料集，說明如何載入、解析思考與工具呼叫，並統計工具使用頻率與錯誤率。結果顯示多數回合含工具呼叫，錯誤比例約12%，為AI訓練奠基。與 OpenAI function‑calling 資料集相比，Lambda/Hermes 的平行工具呼叫更常見。
深度分析
SmolAgents：以程式執行、工具呼叫與動態編排打造彈性多代理人 AI 框架
隨著多代理人 AI 需求提升，SmolAgents 以程式執行、工具呼叫與動態編排為核心，提供彈性協調機制，實作簡易且支援即時擴充，預計將加速開發者在雲端與邊緣環境部署複雜 AI 工作流。