「长程任务能力」共找到 4605 篇相关文章
Harness已过时，OpenAI、腾讯在搞下一个AI爆点RSI
本文解读Theseus Labs发布的RSI行业分析报告，该报告汇总全球72家头部AI团队公开资料，提出RSI五级自主权框架与HCI评估指标，梳理大厂进展与产业落地实践。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
股价暴涨32%！GLM-5登顶全球开源第一，25分钟一镜到底搓出完整系统
2026年初，智谱GLM - 5上线，它是全球首个在系统级工程能力上与硅谷巨头正面竞争的开源模型，发布后智谱股价暴涨32%。它能力惊艳，能完成复杂项目，成本可控，还适配国产算力。
从 ReAct 到 Ralph Loop：AI Agent 的持续迭代范式
文章围绕AI Agent持续迭代范式展开，指出AI编程助手现存过早退出等问题，介绍了Ralph Loop范式，阐述其核心要素、原理、优势，对比与传统智能体循环差异，还给出使用最佳实践、适用场景与建议。
BesiegeField：LLM能否学会设计机器？
香港中文大学推出基于游戏《Besiege》的测试平台BesiegeField，探讨LLM能否学会设计机器。研究通过组合式机器设计视角，测试LLM，提出多智能体迭代设计流程等，发现LLM有挑战但并非不可实现，如Gemini 2.5 Pro表现不错。
机器人的「GPT时刻」来了？丰田研究院悄悄做了一场最严谨的VLA验证实验
丰田研究院（TRI）团队研究大型行为模型（LBM），在近1700小时机器人数据上训练并大量部署评估。发现LBM性能提升显著，预训练小数据量也能带来增益，预示机器人通用大模型或到来。
刚刚，OpenAI发布自主编码代理Codex，程序员的工作将被彻底颠覆？
OpenAI发布自主编码代理Codex，它能独立完成编程任务。与其他工具不同，它是面向任务的，允许并行工作。虽经强化学习微调，代码有“品味”，但有局限，如后续请求处理不佳，未完全集成工程环境。
DeepSeek-R2尚未问世，微软小模型捡漏称王？6000样本炼出「数学作弊器」！
微软推出Phi-4推理模型系列，参数最多14B，能在本地高性能笔记本电脑上流畅运行。Phi-4-mini-reasoning在数学推理上性能超越DeepSeek-R1蒸馏模型，且参数规模更小。文章还介绍了模型特点、训练方法、性能表现及局限性等。
顶级程序员Andrej Karpathy发文表示已服软！
顶级程序员Andrej Karpathy发文称，从11月到12月其编程工作流剧变，从80%手动+20%AI辅助变为80%AI编程+20%人工修改。他记录用Claude Code编程观察，指出AI有新毛病但提升大，还给出使用技巧等。
Ilya 最新访谈，预训练时代终结后，AI行业来到了哪里？
Ilya接受90多分钟深度访谈，指出当前大模型泛化能力远不如人，Scaling时代终结，研究时代回归。还谈到AI经济影响与跑分不匹配、泛化能力鸿沟、情感价值等问题，预测超级智能5 - 20年到来。