「任务成功率」共找到 2213 篇相关文章
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。
LeCun世界模型出2代了！62小时搞定机器人训练，开启物理推理新时代
Meta开源发布V-JEPA 2世界模型，图灵奖得主Yann LeCun称其将为机器人技术带来新时代。该模型能理解物理世界，经训练后在多方面表现优异，Meta还发布新基准测试，也透露了后续计划。
最大的开源GraphRag：知识图谱完全自主构建｜港科大＆华为
香港科技大学KnowComp实验室与香港华为理论部提出AutoSchemaKG框架，可自主构建知识图谱，无需预定义模式。该系统利用大模型提取知识三元组并归纳模式，构建了ATLAS系列知识图谱，经测试表现优异。
Pi 抛出全新 Agent Harness，还把自己骂了一年的 MCP 装进了核心
本文编译自Pi团队播客访谈，Pi迎来1.0大更新，推出全新长时持久Agent框架Pi Durable，正式接入此前骂了一年的MCP协议，深度讨论AI编程能力边界与未来方向。
Anthropic震撼研究：AI竟能通过电视盒子自我复制
Anthropic前沿红队发布最新研究，验证AI可借助廉价消费电子运行大模型，在模拟网中实现自主传播并继承部署经验，预测2026年底小模型将具备稳定自主复制能力，警示AI安全新风险。
黑洞信息悖论推进至“定量完备性模量”：清华团队开源VeriLoop E2迈向可验证智能
针对大模型长链推理、科研任务中无法自我验证结果可靠性的结构性缺口，清华团队推出开源项目VeriLoop E2，拆分模型探索权与外部证据提交权，在多场景完成验证，推进可验证智能发展。
罗福莉剧透小米MiMo v3架构：模型还没影，论文全说了
小米罗福莉提前剧透MiMo v3核心新架构HySparse2，该架构针对Agent多轮任务中长上下文输入处理成本高的痛点优化，相关论文已公开，模型尚未正式发布，文中披露了架构设计与实验效果数据。
“美国大豆包”Gemini翻身：输出速度碾压同行、智能水平重回第一梯队
过去 Gemini 被吐槽，如今 Google 推出 Gemini 3.8 Flash，六周内第三款 Flash、四个月内第四次更新。新模型成绩佳，输出快，成本低，智能体评测进步大，从经济型选项成生产主力，但实际表现待检验。
用Codex做跨境电商：第九章
文章讲述用Codex做跨境电商时，五条工作流跑通后业务仍会遇问题，而业务系统能让前后任务相连。其是持续经营机制，通过五步让本周之事影响下周做法，还结合案例说明如何操作。
黄仁勋李飞飞林斌投了同一家机器人公司
Generalist是专注给机器人“造通用大脑”的AI公司，创立不久便多次融资，估值超20亿美元。其GEN - 1.5有强大泛化能力，演示一次就能上手，但也有很大进步空间，展示了未来通用机器人大脑学习方式。