OS-Helix:让电脑智能体学会在图形界面与代码之间协同
OS-Helix 将 GUI 操作和代码执行纳入同一个智能体策略,试图解决桌面自动化中“该点击还是该写代码”的决策难题。在 OSWorld-Verified 上,强化学习版本达到 66.44% 的成功率。
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OS-Helix 将 GUI 操作和代码执行纳入同一个智能体策略,试图解决桌面自动化中“该点击还是该写代码”的决策难题。在 OSWorld-Verified 上,强化学习版本达到 66.44% 的成功率。
阅读全文PPMem 将墙面、地面和立面等场景结构表示为可持续更新的平面记忆,并将其用于后续视频生成。该方法试图解决视频世界模型在长序列、大幅视角变化下容易遗忘和失真的问题。
阅读全文同行评审意见可能误读论文,人工与大模型撰写的评论都不例外。PremiseCheck先让大模型提取评论中的明确前提,再由成本更低的决策模型逐项对照论文,以较低成本完成事实核查。
阅读全文FC-SWE 将验证失败后的修复尝试纳入强化学习训练,并把失败补丁与测试反馈作为下一次尝试的上下文。在 SWE-bench Verified 上,它提升了多次尝试场景下的软件修复成功率。
阅读全文长程任务中的失败,往往不是最后一步造成的,而是数步之前的错误累积。BELIEFWEAVER通过持久化证据、关系型信念状态和隐式世界模型,帮助智能体判断该回滚、修复还是继续探索。
阅读全文一篇最新论文提出Structured Authority Injection(SAI),通过带类型的MCP调用和分级权威上下文,让人工修正能够跨多个规划周期持续生效。实验显示,该方法可减少指令歧义与权威衰减,但收益会因模型而异。
阅读全文一项名为 PRIME 的研究提出,用预先固定的证据路径和独立结果台账约束大语言模型智能体,避免其在检查失败后仍给出未经支持的结论。实验显示,该方法在 480 个公开记录任务中消除了不当结论,并提升了可证明结论的得分。
阅读全文Lean4AgenticRL 将 Lean4 形式化方法引入开放式智能体强化学习,为工具调用、工作流阶段和最终结果提供可验证的多层奖励。其训练出的 LAR-27B 在 TerminalBench-2.1 上取得 77.3% 的成绩。
阅读全文一项新研究提出 Harness-Delta Attribution 评估协议,试图拆分智能体框架优化带来的收益:哪些来自搜索集过拟合,哪些只是增加了测试时计算,哪些可能具备泛化性。
阅读全文一项新研究发现,即使训练数据来自模型自身的安全生成,并配合无害提示,递归自蒸馏仍可能让模型在多类有害请求上的安全表现持续恶化。研究者将这一现象称为“渐进式失配”。
阅读全文DeepSeek V4.1 Flash 版本 1017 带来两项更新:提升从零构建项目的能力,并正式开放自研搜索 API。对开发者而言,后者更可能直接改变应用接入方式。
阅读全文Anthropic宣布设立“公共利益基金”,计划投入公司5%的股份,并保留随公司价值增长追加投入的安排。基金未来可能支持传统公益组织、特定人群直接分配及AI就业影响研究,但具体治理机制尚未公布。
阅读全文Character.AI 申请破产后,迪士尼同意向至少 60 名员工提供职位,并承担预计约 6000 万美元的年度薪酬。由于这只是“领跑竞购”方案,其他公司仍可能提出更高报价。
阅读全文Anthropic已将非营利评估机构METR的六名成员嵌入公司团队,让其接触硬件、内部工具和风险评估系统。METR可独立发布结论,Anthropic不能否决,但可要求删除涉及敏感信息的内容。
阅读全文VAST发布并开源实时世界模型EdenLive,主打参考输入、风格迁移与长时连续生成。官方称其在单张RTX 5090上以720P实现超过24FPS,并支持百毫秒级端到端交互延迟。
阅读全文Replit CEO Amjad Masad 表示,OpenAI 已取代 Anthropic 成为平台默认模型提供商,但用户仍可继续使用 Claude。此次调整同时受到模型表现、成本和合作关系等因素推动。
阅读全文Meta在遭到外界质疑后,从商业条款中删除了一段被解读为允许抓取网站内容训练AI的表述。公司称,此举是为了澄清条款适用范围,并未改变其网络爬虫政策。
阅读全文OpenAI、Meta和Google都希望AI代理替用户浏览网页、购物和预订服务,但越来越多网站正在通过封禁、授权和反机器人系统限制这些代理。代理能否成为真正的网络助手,取决于平台是否愿意让它们进入。
阅读全文DeepSeek推出V4.1-Flash-1017,并同步升级Harness与自研搜索API。新版本的重点不只是基准分数提升,而是试图让Agent以更少的运行时间和输出Token完成任务。
阅读全文清华大学 THUNLP 实验室联合面壁智能、OpenBMB 等团队推出 PilotDeck 2.0,试图解决智能体长期记忆混乱、任务难以持续执行和模型调用成本过高等问题。其核心设计包括工作舱、可编辑记忆、后台执行和智能路由。
阅读全文OmniCompass 是一个面向全模态视频定位与理解的综合基准,覆盖时间定位、空间定位和问答三类任务。它还通过文本与文本加图像两种目标指代方式,检验模型是否真正理解视频证据,以及在不同提示形式下能否保持一致。
阅读全文