WideSWE:代码智能体能否跨仓库协同完成开发任务?
现有代码智能体评测多聚焦单一代码库,但真实软件生态中的功能开发与缺陷修复往往需要多个仓库同步修改。WideSWE通过120项真实任务,检验智能体在跨仓库协作中的完整执行能力。
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 订阅现有代码智能体评测多聚焦单一代码库,但真实软件生态中的功能开发与缺陷修复往往需要多个仓库同步修改。WideSWE通过120项真实任务,检验智能体在跨仓库协作中的完整执行能力。
阅读全文WorldPlay2 面向实时交互世界模型中的两大难题:控制形式复杂,以及长时滚动中的上下文膨胀与一致性下降。论文通过混合控制接口、共享记忆令牌和 Stable Forcing 蒸馏策略,试图在响应速度与长期稳定性之间取得平衡。
阅读全文Qwen 团队提出 QwenGyre,用弹性 GPU 调度和轨迹去冗余机制支持超长程智能体的在线强化学习。论文称,该框架在 NL2RepoBench 上带来 6 个百分点的绝对提升,并显著缩短训练时间。
阅读全文一项匹配评估比较了DPO、表示引导、内部探针与文本监控器在大模型安全控制和风险监测中的表现。结果显示,表示工程并非行为安全机制的替代品,但在低数据、低成本监测和后训练修复等场景具有独特价值。
阅读全文腾讯混元团队比较了有视觉编码器与无视觉编码器的多模态大模型,发现后者虽在小规模训练中落后,但随着算力增长可能逐步追平。研究还揭示,语言模型能够通过结构适配接管部分视觉编码工作。
阅读全文SkillDRE研究了一种面向智能体技能的双阶段红队演化框架,将执行前扫描与运行时防御反馈连接起来。实验显示,只检查单一防御环节可能低估经过适应性演化后的风险。
阅读全文将机器学习决策迁移到隐私保护设备,并不只是改变推理位置,也会改变竞价系统获取预算信息的方式。最新研究显示,设备间的预算同步延迟可能导致严重超支,而不恰当的支付规则还会诱发策略性操纵。
阅读全文一项名为 Disaggregated Quantization 的方法,针对 LLM 推理中的 Prefill 和 Decode 阶段分别设计计算格式、权重与存储策略。在 Qwen 3、Gemma 3 等模型上的实验显示,它有望同时改善低比特推理精度与首 token 延迟。
阅读全文VLA-Precision 针对机器人精细操作中的策略漂移与训练效率问题,提出 ACoB 算法和 ACoB-Stream 架构。该方法通过分阶段价值校准与流式系统设计,提升真实世界在线强化学习的稳定性和吞吐效率。
阅读全文IndicBankBench为印度零售银行场景构建了799个测试案例,把安全、工具调用、响应质量和建议能力拆开评估。研究显示,模型偶尔答对并不代表能够稳定、可靠地处理银行业务。
阅读全文D-JEPA指出,世界模型预测得准,并不意味着潜在空间中的“更近”就代表动作更好。它利用候选未来的实际执行结果,校准模型在决策关键区域的几何关系。
阅读全文TRACE 提出一套面向流式视频理解的条件化评测框架,把证据何时生效、模型如何维护历史以及何时触发回答纳入统一审计。研究显示,接近的问答准确率背后,可能隐藏着截然不同的完成度、响应有效性和计算负载。
阅读全文InternW0-Δ试图把视觉动态、场景语义、几何运动先验与动作生成整合进同一个世界动作模型,并以超过2万小时的异构开放数据进行预训练。论文称,该模型在仿真基准和真实机器人平台上均取得了优于既有方法的表现。
阅读全文北京大学团队提出 RayOrch,用面向父子关系的数据流编程模型,解决文档、视频等基础模型数据准备中的动态拆分、批处理、顺序恢复和故障隔离问题。
阅读全文字节跳动 Seed 团队提出 PISA,通过由粗到细的层级化候选筛选,缓解长上下文中稀疏注意力的块选择瓶颈。该方法在不显式构造完整查询—键分数矩阵的情况下,将整体复杂度控制在 O(N log N)。
阅读全文工具调用智能体的输出同时包含结构化调用和自然语言总结,传统 GRPO 可能把同一个奖励信号错误地施加到所有 token。SLCA-GRPO 通过分段锁定信用分配,降低两类行为之间的奖励干扰。
阅读全文Kaggle Game Arena尝试用国际象棋、扑克和狼人杀等竞争性游戏,评估大语言模型在规划、适应与不确定性处理方面的能力。它希望以持续对战替代一次性的静态测试,构建更接近真实决策场景的评测体系。
阅读全文AgentWorld 通过 MMORPG 沙盒中的长期、多角色任务,评估大语言模型智能体是否真的能够协作,而不只是分别完成各自目标。实验显示,当前模型在沟通、分工和共享计划方面仍存在明显短板。
阅读全文加州大学伯克利分校团队提出三阶段 Morphometric Imitation 框架,将重建的人手—物体交互转换为机器人可执行的视觉运动策略。在三种机器人手和十类交互任务的实验中,系统实现了较高的真实世界零样本成功率。
阅读全文HybridInfer提出一种面向真实安卓设备的热感知强化学习路由器,在端侧、边缘和云端模型之间动态选择。研究显示,手机端大模型的关键问题可能不是单纯变慢,而是持续生成导致推理运行时失稳。
阅读全文一项针对生产级Text-to-SQL流程的研究发现,部署中的LLM-as-Judge与人工标注的一致性可能远低于预期。研究还显示,更换模型和设计裁决路由,比简单堆叠多个裁判更有效。
阅读全文