「子任务级可验证性」共找到 2796 篇相关文章
OpenAI发布GPT‑6 Astra：百万级上下文，主攻编程和复杂办公
9月3日，OpenAI发布GPT - 6 Astra，重点提升电脑操作、软件开发和复杂工作处理能力。它有诸多更新，如电脑操作提速、支持异步工具调用等，但也存在监测难、价格高的问题，实际效果待验证。
从1000通到1.5万通，百融智能的「硅基客服」真正开始「上岗」
今年7月，一家头部物流企业和大型综合类头部券商上线百融智能的AI客服，业务量和部署规模增长显著。百融智能正战略升级，以新一代AICC智能联络技术向多行业拓展，其创始人张韶峰分享了相关思考与技术优势。
一个模型场景通吃！它石智航AWE3.7的泛化能力有点狠
长期以来，机器人系统多依赖专有模型，场景变化时需重新训练。如今具身智能步入下半场，它石智航通用具身大模型AWE3.7用同一颗“具身大脑”贯通多场景，回应了通用泛化命题。
华师大智金院孵化金融原生基模Mint-Agent：超越GPT-5.6与Claude Opus 4.8，商业订单已超亿元
华东师大智金院团队孵化的金融原生基模 Mint - Agent 发布，在 FinanceAgentBench v2 上表现超 GPT - 5.6 - Sol 与 Claude Opus 4.8，单题推理成本低，商业订单超亿元，进入规模化金融场景验证阶段。
Karpathy头疼的“AI游戏困境”，被这款15分钟出包的国产神器破解了
8月初Andrej Karpathy指出通用AI做游戏时，LLM无法高效审查工作的弱点。而国产平台Spellcaster能先解析自然语言确定游戏设计，15分钟出包，还内置测试员验证，团队想工程化落地新方向。
不再止步于自然语言！PhiZero让世界模型学会「物理语言」
PhiZero由中科院自动化所团队研发，探索让AI读懂真实世界运动、交互与变化的“物理语言”。它构建Reason - then - Render框架，经大量数据训练，在多基准测试中表现领先，为AI理解物理世界开辟新通道。
深度体验DeepSeek Harness，我原谅它涨价了
本文深度体验了DeepSeek Harness，它已发布并开源代码。其一切如模型、工具等皆为可插拔积木，官方内置超百个插件。介绍了安装方法、使用特点，还对比了与Codex差异，认为它是Agent时代的安卓，有望推动自进化。
具身智能的第四阶段：「造系统」？
进入2026年下半年，业内形成共识：具身智能竞争从单一模型比拼转向系统工程与产业基础设施角逐。鹿明机器人推出具身智能开发与验证平台Lumos Station Lite，提出“产业具身”理念，助力具身智能落地。
智源悟界·RoboBrain Orca：多模态表征世界模型
智源研究院悟界·RoboBrain Orca团队发布技术报告，探索让模型学习世界表征，从‘预测下一个词’走向‘预测下一状态’。它通过多模态数据学习，经实验验证有效，虽处早期阶段，但提出值得扩展的方向。
翁荔最新博客：我们可能高估了模型，却严重低估了那层“脚手架”
前OpenAI安全研究副总裁翁荔在新博客聚焦AI领域Harness Engineering。她认为Harness是决定模型在现实任务中走多稳、多远的‘脚手架’，并梳理其演进路线，也指出研究面临评估、安全等瓶颈。