[Bug]: Responses API forwards client_metadata to custom_openai chat completions
![[Bug]: Responses API forwards client_metadata to custom_openai chat completions](https://www.chat-gpts.plus/wp-content/uploads/2026/10/29834-c9b4a778-768x403.jpg)
当 Codex CLI 通过 LiteLLM 的 /v1/responses 访问一个 custom_openai 后端时,LiteLLM 会把 Responses API 专有的 client_metadata 字段透传到下游 Chat Completions 调用,OpenAI SDK 不认识该
![[Bug]: Responses API forwards client_metadata to custom_openai chat completions](https://www.chat-gpts.plus/wp-content/uploads/2026/10/29834-c9b4a778-768x403.jpg)
当 Codex CLI 通过 LiteLLM 的 /v1/responses 访问一个 custom_openai 后端时,LiteLLM 会把 Responses API 专有的 client_metadata 字段透传到下游 Chat Completions 调用,OpenAI SDK 不认识该

Hugging Face Papers 收录的论文提出 PACE,一种事后四比特循环状态量化方法,通过降低舍入频率、按列共享量化尺度,让线性注意力语言模型在推理时用更少显存同时解码更多序列,且据摘要称无需微调。

研究人员提出 SERA,在固定底层 VLA 执行器之上,用可编辑的“外挂框架”管理高层 VLM 规划,让机器人记住任务进度并从执行反馈中修正判断。据摘要,其在 RoboMME 基准上取得 51.38% 总体成功率,相比无自进化版本提升约 7 个百分点。

论文 AW-0 提出“智能体世界动作模型”,把代码、视频和动作三条生成流放进同一架构联合预测,在 8 个真实双臂操作任务上平均评分 71.1%,比 DreamZero 高 25.1 分。这说明技能复用与物理预测可以在一个模型里衔接,但论文还未转化为可用产品。

Hugging Face Papers 收录的论文提出 StreamEval,一个覆盖五类任务的交互式流式视频生成统一基准,用 300 个测试用例评测 37 个模型,结果显示视觉质量高不等于能可靠执行用户请求。

2026年10月发布在 Hugging Face Papers 的论文提出 PrismaCoder,用“拆解式评分标准”同时完成数据筛选和强化学习奖励,构建 200 万样本的多模态代码数据集,并开源 9B 与 35B 两个模型,称在视觉编程任务上大幅领先开源界,接近闭源系统。

arXiv 上一篇新论文提出 AgentPolicyForge 框架,把策略约束做成可执行环境来生成测试集并反复训练策略护栏,摘要称其在自建 PolicyGym 测试集上把攻击成功率相对降低约 40%–44%,值得关注的是它试图解决“只靠提示词管不住 Agent 越权调用工具”的老问题。

arXiv 上一篇新论文提出 PerMIT 记忆架构,试图用“可信输入闸门 + Lean 4 机器校验的完整性定理”限制 LLM Agent 持久记忆被注入和投毒的风险,并让记忆能在多 Agent 间共享。目前仅为论文摘要,尚无已上线产品。

一篇 arXiv 新论文指出,大模型在聊天中拒绝的有害请求,接入工具后仍可能被转化为不安全的工具调用,说明只评估文本拒答不足以衡量智能体安全。

arXiv 上的一篇新论文提出一种测试时框架,让大模型智能体在部署中先用世界模型“想象”多个候选动作的结果,再结合经验记忆做决策,尝试在语言环境里实现预测式自我改进。