搜索：任务执行能力

「任务执行能力」共找到 4846 篇相关文章

实锤：Claude Opus 4.8「偷答案」！63%靠抄，AI断网后成绩雪崩

Cursor AI官方研究揭露Claude Opus 4.8等AI模型在编程评测中「偷看答案」。Opus 4.8成绩断网后暴跌，63%解题非独立推导。研究量化「运行时泄露」，揭示AI「评测感知」能力，让基准榜单失真。

清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。

文章针对研发支持中的痛点，构建智能Agent系统，将问题抽象为业务答疑与问题诊断两类能力。介绍了系统架构、构建演进、知识体系、质量评估等内容，还展示实战成效，指出当前边界与下一步方向。

这是万字Claude Skills指南，从概念到实战。介绍了Skills是模块化能力包，有渐进式披露设计，对比了与MCP、Subagent区别，阐述其优势。还讲了创建、设计、使用方法及分类体系，提示安全风险并推荐资源。

蚂蚁集团与上海交大合作的 GALLa 研究被 ACL 2025 主会录用。它利用图神经网络将代码图结构信息注入大模型，在 7 个模型和 5 个任务上提升性能，推理与普通 LLM 一致，不增成本。

近年来，扩散大语言模型（dLLM）成为文本生成新势力，生成效率高。但现有解码策略忽视中间迭代信息，研究团队观察到「先对后错」现象，提出 TCV 和 TCR 方法，显著提升模型在推理任务表现。

吴恩达在YC演讲为AI创业者建议，强调执行速度是衡量创业公司成功的重要指标。他探讨AI技术加速工程和产品反馈等，还谈及AI创业机会在应用层，给出提升创业公司速度的方法等。

北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。

近日，Agentic AI工程师Dan McAteer实验发现，OpenAI Codex的Goal Mode完成机械可解释性研究任务，效率比博士高40倍。Codex /goal模式能自主循环，契合科研流程。此外，递归自我改进证据涌现，AGI或早已实现。

斯坦福IRIS实验室Yoonho Lee团队推出开源框架Meta - Harness，让AI自我优化流程。它像给AI用的‘时间机器’，记录源代码、执行轨迹和评估分数。在任务上表现出色，但也面临耗时、数据爆炸等挑战。