FDE-Gym:给智能体补上真实交付的“最后一公里”
FDE-Gym 将智能体置于更接近真实客户交付的环境中:需求并不完整,系统可以被修改,成功与否取决于业务指标是否真正改善。评测显示,发现隐含约束仍是模型完成端到端交付的最大障碍。
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FDE-Gym 将智能体置于更接近真实客户交付的环境中:需求并不完整,系统可以被修改,成功与否取决于业务指标是否真正改善。评测显示,发现隐含约束仍是模型完成端到端交付的最大障碍。
阅读全文阿里巴巴 MAI-UI 团队发布 OpenGCUA 首个版本,尝试将通用计算机使用代理从“看截图、点按钮”推进到由模型自主决定观察、行动和任务组织方式。项目同时开放代理框架、提示词、评测轨迹、真实设备工具和跨设备 SDK。
阅读全文一篇来自 Hugging Face Daily Papers 的长篇研究讨论了 Harness 自我进化:在不更新基础模型权重的前提下,持续改写智能体的提示词、记忆、工作流、工具和运行逻辑。论文还从进化优化与持续 PAC 学习角度分析了更新的可靠性。
阅读全文3DCodeVerse 将三维内容生成从一次性渲染推进到可执行代码生产,提供包含 200 万条样本的数据集,以及用于自动检查和迭代的多智能体框架。研究显示,这种代码驱动方式有望提升开放模型的 3D 编程能力。
阅读全文MAI-Gym 是一个面向移动端、桌面端和 Web 环境的开放平台,统一了 GUI 智能体的评测、数据采集与在线强化学习训练流程。其配套的 MAI-Gym-9B 在多个基准上取得了开源小于 10B 参数模型中的领先成绩。
阅读全文Mosaic 针对上下文压缩、子智能体分叉带来的多会话执行问题,提出分层的无评论家强化学习方法。它不仅评估任务是否完成,还尝试判断每个会话的实际贡献与资源使用效率。
阅读全文VLA-Δ为视觉-语言-动作模型引入了显式的物理状态转移监督,让模型关注物体、夹爪与接触关系在任务过程中的变化。该方法在推理时无需额外解码步骤,并在多个机器人操作基准和真实机器人实验中展现出竞争力。
阅读全文AutoSFT 将监督微调中的数据筛选、修复、替换、合成与配比调整统一为可执行的数据动作,并用多智能体协作自动迭代训练配方。研究显示,分离执行与分析、引入独立分析代理及数据合成代理,能够持续改善模型表现。
阅读全文OneWM尝试用统一的因果训练同时学习“动作会带来什么结果”以及“下一步应该采取什么动作”。实验显示,动作条件下的视觉预测有助于提升机器人策略,而动作生成能力也能改善多视角世界预测。
阅读全文SpecAgent提出一种面向工具型智能体的轨迹级推测机制:由小模型先执行只读工具调用并起草行动轨迹,再由大模型一次性审核语义有效性。该方法在接近大模型成功率的同时,显著减少大模型逐步解码带来的内存访问和延迟。
阅读全文Data World提出一种面向数据智能体的训练环境生成方法:先明确数据背后的因果机制,再自动生成文件、任务与评分标准。研究显示,这种方法不仅缓解了开放式分析难以验证的问题,也能通过RL-zero训练提升模型的洞察发现能力。
阅读全文Athanor 让四个 Claude Opus 5.5 智能体在真实 GPU 环境中自主开展后训练实验,并将 Qwen3-4B-Base 的表现提升到接近或超过官方指令版。
阅读全文Cowork-Gym通过“构建—执行—修订”闭环,批量生成带有工具、文件和用户反馈的交互式工作环境。研究团队据此训练Qwen模型,使其在多项智能体基准测试中明显超过对应基础模型。
阅读全文RoTA-Bench通过交互式投影对齐,测试视觉语言模型能否从二维轮廓推断三维结构,并据此连续执行精确旋转。结果显示,模型在任务成功率、姿态判断和细粒度控制上仍明显落后于人类。
阅读全文MJev-Spatial 将空间问答、数值估计和图像指向统一为候选分类任务,借助预训练注意力投影完成直接匹配。模型无需生成答案 token,在保持多类空间理解能力的同时提升推理效率。
阅读全文JevAgentHarness研究如何让专门的决策模型分担LLM智能体中的工具选择,在尽量不牺牲任务成功率的前提下,降低推理成本并提升执行速度。
阅读全文DeltaStreamer面向流式视频理解,结合变化感知记忆、问题驱动规划与定向回放,试图解决“视频先发生、问题后到来”带来的证据缺失问题。
阅读全文Velox 提出一种无需重新训练的注意力路由方法,将历史视频记忆映射为空间化的视锥体切片,只让当前区域访问更相关的上下文。在保持导航评测表现接近密集注意力基线的同时,它显著降低了长序列生成的注意力开销。
阅读全文WorldMemBench 提出一套面向视频世界模型的记忆评测框架,区分静态内容保持与动态状态演化。对 260 个测试案例和 9 个代表性模型的评估显示,能记住场景外观,并不意味着模型能持续维护世界状态。
阅读全文LeanPRM借助Lean证明助手,自动为AI生成的自然语言数学证明创建步骤级正确性标签,从而减少对人工标注的依赖。实验显示,这种形式化支撑的过程监督能显著提升证明验证器的判断能力。
阅读全文LEASH提出一种无需额外训练的弱到强代理协作框架:弱模型负责大多数步骤,仅在不确定时调用强模型,并通过影子观察器持续监控强模型的行为。实验显示,该方法在OSWorld上兼顾了任务成功率与推理成本。
阅读全文