Mage-VL-Cowork:用演化式训练框架打造能看图形界面、也会写代码的电脑智能体
Mage-VL-Cowork提出了一套面向混合型电脑使用智能体的完整训练方案,让同一策略同时处理视觉GUI操作、代码和终端执行。其4B模型在OSWorld-Verified上达到66.0%,并通过可复用的数据生成流程降低任务构建成本。
阅读全文Mage-VL-Cowork提出了一套面向混合型电脑使用智能体的完整训练方案,让同一策略同时处理视觉GUI操作、代码和终端执行。其4B模型在OSWorld-Verified上达到66.0%,并通过可复用的数据生成流程降低任务构建成本。
阅读全文一篇 arXiv 论文提出,评测和部署智能体时,不能只说明使用了哪个模型,还应记录模型运行所依赖的完整 Harness。研究者将 Harness 拆分为八类功能组件,并主张把它作为系统的版本化组成部分。
阅读全文DeepSeek公开Super-agent底层架构原型,尝试让AI跨平台维护任务上下文、并行处理工作,并在没有明确指令时主动发现问题。初步测试显示,其多任务完成速度优于传统单会话方案。
阅读全文一项针对六个模型和三个交互环境的受控研究发现,即使 MCP 与 CLI 暴露完全匹配的可执行能力,接口呈现方式仍会显著改变智能体的任务表现、交互成本与失败恢复路径。
阅读全文WorkFactory提出一套从职业意图出发、通过信息支持图和探测式修复构造训练任务的方法。研究团队据此生成覆盖612种职业的112,686个任务,并训练出WorkPilot模型家族。
阅读全文DoorDash表示,目前来自Muse、Instinct、Fo等第三方AI代理的订单总量仅有“数百笔”。在日均完成约300万单的业务规模面前,代理下单尚未成为主流入口。
阅读全文谷歌研究人员开源 EnvHarness,通过包装静态环境并动态调整初始状态、规则和观察结果,针对智能体短板生成更具挑战性的训练交互。该框架无需修改智能体、底层环境或评估系统。
阅读全文据量子位报道,面壁智能的ForgeKernel在英伟达B200上自主优化FlashMLA Prefill算子,最终性能较对照实现提升9.8%。这场实验展示了AI Agent从目标定义、代码生成到性能迭代的完整闭环。
阅读全文WebAnything 提出了一套从真实 URL 自动重建网页环境的方法,试图解决智能体训练中环境数量不足、难以复现和维护成本高的问题。该框架已构建 244 个网站环境,并通过独立验证器检查重建结果。
阅读全文The Trinity 提出一种将世界生成、任务组织与 Harness 演化连接起来的多模态智能体框架。它不再按任务表面形式分类,而是围绕可迁移的底层能力构建模拟环境和可复用模块。
阅读全文SearchHorizonBench 将搜索价值从答案正确率中拆分出来,专门评估 AI Agent 继续搜索是否值得。基准结果显示,历史执行记录能改善校准,但真正预测搜索增益仍然困难。
阅读全文RSI Arena探索了一种由AI代理自主完成模型后训练、再依据人类偏好继续改进的流程。实验显示,代理能够训练出可用助手,但偏好提升与基准成绩并不总是同步,安全性也需要持续监测。
阅读全文智能体的能力不只取决于基础模型,也取决于工具调用过程中的验证与修订设计。最新研究比较了17种验证方案,发现独立批评者在准确率与成本之间取得了更好的平衡。
阅读全文StreamVibe 面向在线视频交互中的“主动协助”问题,尝试让视觉语言模型从连续画面中识别用户未明说的需求,并判断何时介入。论文同时提出基准、流式模型和层级记忆机制,覆盖显式、隐式与动态意图。
阅读全文DynaFlow 将可执行工作流生成纳入主智能体的行动空间,使模型能够根据任务需要决定是否协作,并动态组织子智能体完成串行、并行、验证与迭代。
阅读全文AutoTavern 让多个专业化大模型研究代理协作,构建《炉石传说:酒馆战棋》的完整模拟器,并训练出能在真实天梯运行的智能体。这个案例显示,大模型直接决策未必出色,但它们可以成为高效的 AI 系统研发者。
阅读全文一篇新论文提出以工作为中心的代理框架,将基础模型、运行时工具和有状态工作空间视为一个完整系统。论文进一步从持续性、开放性、能力优化和结果评估等方面,讨论代理如何可靠完成真实数字工作。
阅读全文PatEx-Gym 将专利审查拆解为可交互、可评测的智能体任务,要求模型自主检索现有技术、核验技术证据,并生成有依据的审查意见。研究还训练了一个 4B 规模的 PatEx-Agent,探索小模型在专业检索场景中的竞争力。
阅读全文HiSTEVE 1.0将长程任务规划与原生键鼠控制结合起来,让智能体仅凭视觉观察在《我的世界》中完成多步骤任务。其关键在于能力感知的任务编排、策略耦合的完成检测,以及针对不同交互模式的VLA训练。
阅读全文TACS-RF将大语言模型编码智能体接入Cadence、Calibre和Ansys等工业级EDA工具,尝试把自然语言驱动延伸到RF与毫米波硬件设计。研究团队以90纳米SiGe BiCMOS工艺完成了一款240至251 GHz亚太赫兹发射机验证。
阅读全文研究团队提出 Self-Direction,让智能体在任务失败后提炼教训,并将其写入轻量级低秩适配器。实验显示,这些持久化经验能够减少重复错误,并迁移到相关任务。
阅读全文