三位独立研究者汇总截至 2026 年 10 月 5 日可核实的 9B–20B 开源模型在 vLLM/SGLang 上的量化公开实测，发现所有计时都符合内存带宽与计算的 roofline 规则：batch 1 时 INT4 提速 1.35–2.12 倍，batch 256 时 W4A16 仅 1.02 倍，FP8 仍有 1.68 倍。
能拿走的是 roofline 判断法加 7 条量化报告清单，用来定小 batch 选 W4A16、大 batch 选 FP8 的配方；代价是证据来自不同引擎版本，只能组内比较。
Microsoft Research 联合 GitHub Next 发布研究原型 PDD Kit，把用户意图转成 Verus 形式规约，证明智能体写的代码对每个输入都满足规约，证明覆盖不到的部分退回测试。
能拿走的是把意图先写成 Verus 形式规约、再让 agent 写证明并用变异检查防弱规约的流程，可接到软件工厂的代码审查环节，代价是只支持 Rust 且证明本身仍要投入。
Google Research 开源 Harness²，让 agent 递归改写自己的执行外壳（prompt、技能、脚本、子代理等 8 个组件）并沉淀改进库，不训练也不换模型。
可抄走的是 harness 八组件成本模型和 INV/DOM 双提案对比流程，能落到软件工厂的 agent 编排上；代价是每任务 4k 次 rollout，且只补流程缺陷、不提升内容判断。
RAGFlow 团队（InfiniFlow）联合华东师范大学在 arXiv 发布论文《Context as Infrastructure》，提出在摄入期把语料加工成带类型工件的知识编译管线，查询时消费工件而非原始文本。
能拿走断言-证据对替换、零命中回退梯子和有限视野盈亏公式，落到知识沉淀与本地检索管线；代价是延迟约 3 倍、需另配决策门，且 91% 数字来自 N=200 单次运行。
DeepSeek Harness 团队发表技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，提出由持续运行的 Router 统一接收群聊、GitHub、邮件等平台信息并分派任务、多个 Worker 独立执行的架构，并已在内部用 Super-agent 在无人 @ 的情况下复现 Bug 并提交 GitHub Pull Request。
Router 加 Worker 双层派单、事件 Trigger 两级过滤、异步 ReAct Loop 和云端执行加本地 daemon 这套组合，能换掉现在单 Session 串行跑任务的流程；代价是多会话缓存读取 Token 涨约 37%，长期记忆和提示词注入风险原文未解。
上海交大、南洋理工和阿里巴巴团队提出 GUI-JEPA，用 JEPA 隐空间对候选控件打分替代逐 token 解码，在 AndroidControl 上以 0.5B 参数保留 Qwen2.5-VL-7B 微调模型 86-92% 的步级精度。
可借鉴候选打分替代逐 token 解码的做法，把截图编码一次、对 a11y 树候选批量打分，落到端侧智能体和手机自动化线；前提是能拿到无障碍树，且只验证了步级准确率、没有在线任务完成率。
作者用一支 AI 编码智能体团队在 38 天里围绕真实产品待办跑了 324 个两小时冲刺，其中专职 scrum 团队 agent 执行的 90 个冲刺里 79% 的承诺故事在冲刺内完成，仪式耗时不到 5 分钟。
能拿走一套可照抄的 Agent Scrum 最小配置，产品负责人 agent 管规划、独立 scrum master agent 跑两小时冲刺、外部定时器触发收尾；代价是回顾项 159 条只关了 40 条，合并环节和写代码一样耗时。
MemTrace 把 LLM 记忆流水线转成可执行的记忆演化图，用图归因 Agent 定位最早决定性故障操作，再据此自动改写提示词，在 Mem0 加 LoCoMo 上三轮优化后任务性能提升 7.62%。
能拿走一套可复用的记忆系统排错链路，插桩录制执行图、沿图定位最早故障操作、再把归因结果转成 prompt 改写；落到知识沉淀和本地部署调优上，代价是归因准确率约一半、每轮要重跑完整流水线。
Polymathic AI、普林斯顿大学、USC ISI、NYU 和 Flatiron Institute 的研究者发布 FlashMap，用连续 flow map 替代离散扩散草稿器，一次前向传播草拟 16 个 token 的整块。
能拿走的是用连续 flow map 一次草拟 16 token 的投机解码方案，配 vLLM 和 SGLang 插件即可接入现有推理服务；代价是要按目标模型单独训练 0.5B drafter，且温度大于 0 时需改采样配置。
清华大学与香港中文大学研究者开源 AKV，一个基于 SGLang 的 KV cache 工程服务系统，让智能体直接丢弃选定的 KV 条目并复用其余部分，而不改写历史文本。
能拿走的是 drop/repos 两种 KV 操作加 OpenAI 兼容的无状态接口，把工具调用历史直接丢缓存而不重写文本，落到本地模型部署和 Agent 长任务线上；代价是只支持 Qwen、GPT-OSS、MiniMax-M2 文本模型，且需 SGLang 与 NVIDIA GPU。
德国埃尔朗根-纽伦堡大学（FAU）团队用三个真实馆藏数据集实测 8 个 7B 以下开源 VLM 的结构化 JSON 抽取能力，发现 OCR 专用小模型在 mAP-F1 上几乎全为 0，通用指令模型微调后才是赢家。
能拿走的是选型口径和避坑清单，结构化抽取优先测通用指令 VLM 而非 OCR 专用小模型，微调配 HPO 是主策略，图像预处理和多阶段训练要先验证；代价是结论只对被测版本负责，楼梯表测试集仅 25 张。
Databricks 用 Opus 4.8 在 22 个数据工程任务、每任务 12 份脏数据上对比过程式 PySpark 与 Spark Declarative Pipelines，共 528 次构建，声明式在 dry run 阶段拦下 55 个结构性错误，集群耗时从 596 executor-seconds 降到 17，约 34 倍。
同一 agent 跑 22 个任务各 12 份脏数据，对比过程式 PySpark 与声明式 SDP 的 dry run 拦截率、代码行数和 token 成本，可用来定数据管线的写法规范；代价是声明式前期 token 约 2.3 倍，且拦不住逻辑错误。
爱立信研究院提出 Code Comprehensor，用 LLM 离线沿调用图把仓库文档化再压成语义检索索引，在线检索约 50 毫秒、完整回答一个问题 3-5 秒。
可抄的是后序分块加滚动摘要驯服超大调用树、一个代码单元配多文本视图做多正样本监督、合成问题加术语锚点约束；代价是 120 万行要 48 小时和 3200 美元文档化，且只在 C/C++ 上验证过。
Dharma AI 在 Hugging Face 博客披露 VocabX 方法，在不改基础模型、数据和训练配方的前提下，把 Qwen3-4B 葡语作文评分器的实测推理成本降低 77.0%，平均响应从 350 token 降到 101 token。
能拿走按 token 成本而非频次重建词表的方法，子词合并加宏 token 两层同预算筛选，落到本地小模型部署可省 77% 推理成本；代价是需重训分词器并重跑训练，且压缩掉关键决策 token 会掉点。
AWS 团队提出 Priming 方法，把预训练 Transformer 的权重作为混合架构的初始化，将混合架构的预训练成本降低 99% 以上，整个流程消耗不到源模型预训练 token 预算的 0.5%。
用预训练 Transformer 权重初始化混合架构，把预训练成本压到 0.5% 以下，可低成本对比 GKA、GDN、Mamba-2 与 SWA 的层替换方案；代价是仍需短蒸馏和端到端微调，且层选择依赖 SWA 替换代理实验。
Berkeley Sky Lab 与 IBM Research 在 K-Search 上新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，让演化式内核搜索以现有 CUDA 内核为知识库生成 Apple Silicon 内核。
可拿走 CUDA 到 MLX 的概念映射表、exp2 技巧和并行 scan 改写，落到本地模型部署；前提是自备 LLM API key 并接受搜索迭代成本。