「智能体推理框架」共找到 6010 篇相关文章
Agent Skill 开发者大赛总决赛圆满落幕，共探智能体技术落地新未来
2026年5月22日，Agent Skill开发者大赛总决赛在上海举办，采用双轨模式，38支队伍参赛，覆盖多元场景。大赛由多社区主办、多单位协办，揭晓企业组、高校组特等奖等，推动智能体技术落地。
谷歌IMO金牌模型可以用了！推理性能秒了o3、Grok 4
谷歌拿下IMO金牌的模型Gemini 2.5 Deep Think已在Gemini App推出，速度更快、实用性更强。该模型仅对Ultra订阅用户开放，月费约1803元。其推理性能超o3、Grok 4，有迭代开发等优势。
Cloudflare 推出 Agent Tracing：支持截断限制，不同框架的 Payload 默认记录策略存在差异
Cloudflare推出Agent Tracing，可提供统一Dashboard查看已部署Agent会话。该功能在现有Workers Tracing基础上增加Agent级别的Span，有收费时间表。不同框架Payload默认记录策略有差异，Trace有截断限制。
剑桥揭开大模型翻车黑箱！别再怪它不懂推理，是行动出错了
剑桥大学等机构研究指出，大模型执行长时任务易翻车，问题不在推理而在执行能力。研究人员评估多个指标，发现单步准确率提升可让任务长度指数增长，还研究了自条件化等影响及模型规模的作用。
AI自己写代码做科研还跑赢了前沿算法？清华团队开源Alchemy框架
清华团队开源 Alchemy 框架，它是面向自动化 AI 科研的标准化研究环境，能让 AI Scientist 摆脱工程负担，专注算法创新，还支持多领域、多任务，具有多种特性，在多模态推荐任务中表现出色。
大模型在具身推理上「翻车」了？4496 道题全面揭示短板
美国东北大学等提出BEAR基准评估MLLM具身智能子能力，用4496道题测试20个模型。发现多模态大模型具身能力不足，还分析错因，开发BEAR - Agent提升模型具身推理能力，在仿真测试中效果显著。
破解MoE模型“规模越大，效率越低”困境！中科院自动化所提出新框架
大模型参数量飙升却陷入‘规模越大，效率越低’困境，中科院自动化所研究团队提出统一框架，直击MoE底层运作模式，让专家‘组队学习’，实现参数量、负载方差降低，达成三重优化。
无需SFT也不用RL，样本级推理优化神器SLOT来了，准确率轻松+10%
西湖大学MAPLE实验室开发的SLOT方法，无需SFT和RL，让模型推理时“临时学习”具体问题。它简单易实现，计算开销小，能使模型准确率大幅提升，还无需额外资源，在各规模模型上效果显著。
AI 智能体实战：100+次迭代后的意图识别提升之道
文章围绕AI智能体意图识别与槽位抽取展开，介绍初级到高阶四种方案。初级方案简单高效但意图多易出错；中级解耦架构，适用于复杂场景；进阶用RAG召回解决意图识别不准；高阶应对多轮对话挑战，各有优劣。
通义实验室新研究：大模型自己「扮演」搜索引擎，提升推理能力无需搜索API
阿里通义实验室开源ZeroSearch，提供无需与真实搜索引擎交互的强化学习框架。它用模拟搜索环境和渐进式抗噪训练，让LLM自给自足，节省API成本，在多问答数据集表现优，为智能化检索提供新思路。