CUA-SWE:让计算机使用代理真正进入软件工程闭环
CUA-SWE 将代码修改、命令执行、图形界面操作与视觉反馈放进同一套软件工程测试环境,检验代理能否根据运行结果完成并验证修复。它试图弥合编码代理与计算机使用代理之间的评测断层。
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CUA-SWE 将代码修改、命令执行、图形界面操作与视觉反馈放进同一套软件工程测试环境,检验代理能否根据运行结果完成并验证修复。它试图弥合编码代理与计算机使用代理之间的评测断层。
阅读全文一项研究重新审视了自监督视觉预训练的数据输入方式:当模型只能按时间顺序观看连续视频时,传统方法会明显退化。研究者据此提出 StreamMAE,通过流感知正则化和运动偏置裁剪改善训练效果。
阅读全文NVIDIA 团队提出 Physis-Lang,将描述实体、因果、交互和时间演化的物理语言,作为视频世界模型从数据整理到生成环节的统一表示。该方法通过断言级评估和语言引导检索,改善生成视频的物理合理性。
阅读全文A2Z GameSpec-Bench以100份长篇游戏设计文档为基础,评估编码智能体生成的游戏是否真正符合设计意图,而不只是能够编译运行。基准将代码检查、场景回放与自适应试玩结合起来,重点检验相互依赖的需求能否被同时满足。
阅读全文PatchHolmes 将漏洞修复提交检索拆分为候选召回与智能体筛选两阶段,让模型同时比较候选,而不是逐个孤立打分。在 GitHubAD 上,它显著提升了 Recall@1,并减少了模型调用次数。
阅读全文AREX-2 将“反思改进”和“长期执行”视为自我提升智能体的两项基础能力,并通过机器学习与算法编程任务合成长周期训练轨迹。实验显示,该方法不仅提升了相关任务表现,也能迁移到深度研究场景。
阅读全文奖励模型可能把更长、更自信或更迎合的回答误判为更优,进而让语言模型追逐表面分数。BiasReducer通过只修改线性奖励头,并按数据集选择相关偏差,降低这类失真。
阅读全文一项研究发现,即使不修改底层大模型,仅训练多智能体之间的潜在通信链路,也可能削弱拒答行为并提升有害服从。研究同时表明,针对链路的强化学习攻击能够进一步放大风险,而安全导向的奖励可用于修复受损链路。
阅读全文WUSH-KV 将 WUSH 的数据感知变换引入 KV Cache 量化,并分别为 Key 与 Value 构造变换矩阵。在 2-bit 场景下,该方法在多种模型和下游任务中达到与 OSCAR 相当或更好的效果。
阅读全文一项新研究发现,非侵入式脑到文本系统的部分效果可能来自词语时长这一隐性线索,而非脑信号本身。研究者通过独立处理窗口、结合重复观测与语言模型,获得了更可靠的解码结果。
阅读全文当目标会在机器人看不见时移动,过去可靠的空间记忆就可能变成误导。EvolvingNav尝试用带时间信息的三维记忆和概率信念,让机器人边预测、边观察、边重新规划。
阅读全文EvoDuet 将网页检索与候选解生成放进双层优化循环,让搜索查询不再停留在固定关键词上。实验显示,该方法在多项科学优化任务中提升了进化式搜索表现,但收益依赖底层模型能力。
阅读全文WorldAuditBench将3D环境审计转化为一项可评测任务,要求多模态智能体一边探索场景,一边发现并验证漂浮物体、可穿越墙体等异常。实验显示,当前模型在行动规划与视觉判断的衔接上仍明显落后于人类。
阅读全文一项研究发布Agent Error Dataset,汇集50,228组错误—诊断样本,尝试把智能体失败经历转化为可验证的修正信号。实验显示,基于具体错误提出的替代动作,能够显著提高任务通过率。
阅读全文MaLiang-Harness针对代码驱动图像与视频生成中的“程序到视觉”鸿沟,引入持续保存、过程追踪和版本感知的检查修订机制。研究显示,通用能力评分并不能充分预测模型完成视觉生成任务的能力。
阅读全文Omni-IO Skills提出一种不改动基础模型的代理扩展方案:通过分层技能、依赖感知执行图和资产注册表,将文本代理连接到图像、音频、视频、文档、3D与代码工作流。
阅读全文一项针对世界动作模型的实证研究发现,推理阶段不必完整生成未来视频,但完全移除未来表征也会损害模型的泛化能力。真正重要的,可能是动作决策开始前对未来信息的准备过程。
阅读全文研究发现,采用分块 KV-cache 压缩的模型会对压缩窗口中的不同相位产生系统性偏好。长上下文检索的平均分看似正常,但最佳与最差位置之间可能相差数十个百分点。
阅读全文Yandex Research提出开源框架AsyncLLM,让预训练大模型在推理过程中并发处理输入、记忆与行动。实验显示,Qwen 3.x模型无需额外任务训练,也能用于流式视频理解、电子游戏和监控等异步场景。
阅读全文