「长时程任务」共找到 2440 篇相关文章
Auto Research最后一块拼图，Frontier-Eng Bench登场，在工程闭环里死磕最优
Einsia AI旗下Navers Lab论文Frontier - Eng推出新评测范式Generative Optimization，搭硬核评测系统，覆盖47个横跨5大工程方向的任务。评测多种模型，结果显示gpt 5.4最稳健，但距资深工程师水平尚远。
对话清华商宇丨从生成视频到支撑行动，世界模型需要新的评测标准
文章围绕清华团队提出的 WorldArena 评测框架展开。它针对具身世界模型，对过去沿用视频生成的评测逻辑重新审视，从视觉质量和功能性任务两维度评估，推动世界模型从‘生成世界’迈向‘使用世界’。
从Cursor返聘归来，90后华裔女高管带Claude开启日更模式：token成本比工程师工资低多了！
90后华裔女高管Cat Wu推动Anthropic产品“按天迭代”，她认为token成本低于工程师工资。她分享了产品发布、团队协作等经验，还谈到AI时代PM应具备的能力，以及Claude系列产品的使用和发展方向。
首篇自进化智能体系统技术报告出炉：Token成本直降近10倍，省钱又高效！
全球首个基于‘上下文信息密度最大化’的自进化智能体系统GA发布技术报告。它在多基准测试表现惊艳，能省近10倍Token，还能自我进化。报告深度解读设计理念，剖析自进化能力与智能体设计思路。
π0.7的泛化能力有多强？零样本纯靠口述就能用空气炸锅，演示完换个机械臂也能叠衣服
2026年4月16日，美国明星机器人AI公司Physical Intelligence发布模型π0.7。它具组合泛化能力，借助多模态提示框架，能零样本完成新任务。在空气炸锅、叠衣服等实验中表现出色，有望推动具身智能发展。
Codex 大更新：一个 AI，接管你所有软件。
Codex 迎大更新，有望成 OpenAI 超级应用核心。它能与多工具协作，超 300 万开发者在用，近半使用场景非写代码。具备跨应用多 Agent、非编码任务处理等功能，还增添图像生成等特性。
从Vibe Coding到Agentic Engineering：重构后台开发全流程
文章介绍从 Vibe Coding 到 Agentic Engineering 的转变，以真实需求为例，展示后台开发全流程，涵盖需求获取到合入发布各阶段，介绍各阶段工具及操作，凸显 Agentic Engineering 优势，强调人编排、AI 执行的核心理念。
CVPR 2026 | 20步也能稳住画质，这个扩散加速方法不一样
扩散模型推理效率是落地应用的核心制约因素，阿里安全 AGI 实验室 - 御风大模型团队联合浙江大学提出全新扩散加速方法 TC - Padé，在低步数设置下能兼顾生成质量与推理效率，已被 CVPR 2026 录用。
Agent 看板门禁：构建 Agent Team 的 Harness 工程防御体系
文章以 Routa 看板项目卡为例，阐述 Agent Team 的 Harness 工程防御体系。指出任务完成不等于交付结束，强调 Gate First 理念，即先确认可验证状态再推进协作，还提及运行时边界等重要概念。
杨植麟当主持人的大模型圆桌：张鹏罗福莉夏立雪都放开说了
中关村论坛上，杨植麟、罗福莉、张鹏、夏立雪、黄超齐聚，共论agent的下一代演进。各位大咖观点硬核，如罗福莉认为中国大模型团队优势在‘算力受限下的最优解能力’，张鹏解释智谱新模型涨价原因等。