LIBERO-Industry:把工厂约束纳入机器人操作能力评测
面向高混合、低产量制造场景,LIBERO-Industry 将产品变化、传送带运动、执行时限和几何容差转化为可控的机器人评测条件。实验显示,工业约束叠加后,通用机器人策略的表现会持续下降。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2320 篇文章
RSS 订阅面向高混合、低产量制造场景,LIBERO-Industry 将产品变化、传送带运动、执行时限和几何容差转化为可控的机器人评测条件。实验显示,工业约束叠加后,通用机器人策略的表现会持续下降。
阅读全文BizBench 将真实支付业务流程引入长周期智能体评测,重点检查规则适用性、授权时序、资源约束和中间过程合规性。结果显示,许多模型虽然能够完成目标,却会在执行途中违反关键业务条件。
阅读全文HexaShell 用一层极薄的控制框架,把视觉语言模型转化为机器人编程代理。它能根据 RGB 相机观察、执行日志和失败原因编写并修正工具,在 RoboDojo 的 42 项任务上取得 39.7% 成功率。
阅读全文一项新研究发现,图像生成训练确实能把部分新知识迁移到语言问答中,但这种迁移并不稳定。通过文本对齐和图文交错对齐,模型对视觉知识的语言访问能力还能进一步提升。
阅读全文DiscoveryRSI 试图把科学假设发现变成可迭代、可执行、可评估的流程。它通过多智能体搜索、任务执行和递归学习,持续改进假设的可证伪性与数据可解析性。
阅读全文DLite 针对智能体应用中上下文持续增长、多轮交互频繁导致的投机解码效率下降问题,提出一种不显式维护历史上下文的草稿生成框架。它复用目标模型的上下文隐藏状态,并结合轻量级顺序预测头提升候选 token 的可接受长度。
阅读全文SciΠvot 用真实科研过程中的人类纠偏记录,测试 LLM 智能体在关键决策上的判断能力。结果显示,模型常常更偏向原始方案,而不是资深研究者修正后的方案。
阅读全文一项针对小型语言模型的研究用固定的512位词元编码替代可训练Embedding表,在减少参数和文件体积的同时,保持了多数基准测试表现。结合三值化模型后,整体模型可缩小至46MB,并实现较高的CPU推理速度。
阅读全文现有网页生成基准多围绕一次性、固定规格展开,难以反映真实产品的连续开发过程。EvoWeb通过32个应用和320项累积请求,评估编码智能体能否在修改代码时保持长期一致性。
阅读全文网页中的提示注入,正在把第三方文字变成操纵浏览器智能体的攻击入口。论文提出 Intact,通过记录元素来源与网页语义,把模型的判断和执行权限限制在真实元素能力之内。
阅读全文LiveMACE 提出了一种面向过程的智能体评测方法:不只看交易收益,还分析工具使用、持久记忆、规则遵循和多智能体协作等机制。研究显示,收益表现与能力测量之间可能存在明显差距。
阅读全文ACT3D没有把多视角图像或完整三维表示直接塞给视觉语言模型,而是让模型通过一次查看一张图像、执行移动动作并获得新观察来完成空间推理。研究显示,基于最终答案正确性的强化学习,也能让模型逐渐学会“该看哪里”。
阅读全文Speculative Sampling 是一种无需训练的交互式视频生成服务方法,通过缓存大双向窗口的预测结果,让模型在保持较强建模能力的同时逐步输出视频。它试图打破“窗口越小、交互越快”的传统取舍。
阅读全文TreeOPSD提出一种无需评论家模型的长程智能体强化学习方法。它通过共享前缀的多分支采样获得隐式的逐轮信用,并以有界教师分布缓解固定批次反复更新带来的策略陈旧问题。
阅读全文DuoDiscover提出一种面向工程优化的自主搜索框架:让每个编码代理同时寻找优化目标和快速代理评估器,再用真实评估持续校准代理评估器。该方法试图解决代码改动快、完整测试慢所造成的搜索瓶颈。
阅读全文PhysClosureBench将AI评估从“局部答案是否正确”推进到“研究问题是否被证据充分解决”。结果显示,模型即使能完成不少科学分析,也常常无法达到完整的研究闭环。
阅读全文OpenMobile-2 提供了覆盖 110 多款应用的开放移动智能体训练环境,并将 GUI 操作与应用原生工具调用结合起来。项目还开放了大规模交互数据、可验证强化学习任务和新的长程任务基准。
阅读全文“Into the Unknown”让AI智能体依据科学论文和未发表研究方向撰写后续论文。测试显示,智能体很会生成像论文的文本,但距离可信、可复现的真实研究仍有明显差距。
阅读全文MOSS-Image 将 5B 单流扩散 Transformer 与意图感知提示增强结合,重点解决开源文生图模型在长文本渲染和复杂布局控制上的短板。其在长文本评测中取得了开源模型领先成绩,并公布了配套评测基准。
阅读全文