「多任务强化学习」共找到 3203 篇相关文章
Claude不到4%，全军覆没！一场大考撕碎Agent「全自动办公」幻想
新智元报道，UniPat AI的SaaS - Bench实战考卷，用23个真系统、106个任务测试Agent。结果显示，Claude Opus 4.7完全通过分数仅3.8%，多数模型全军覆没，暴露了Agent在真实环境中的四种致命缺陷。
大模型能复刻这些系统吗？ProgramBench给出了残酷答案
斯坦福NLP组发布ProgramBench，用200个完整代码库重建任务测试主流大模型，要求模型仅根据可执行文件还原如SQLite等项目完整代码，结果所有模型实际解决率为0%，说明模型更擅模仿代码表面结构。
AI学会梦里干活！Claude发布3大进化，Dario：单人公司10亿美金爆发
在 Code with Claude 大会上，Anthropic 为 Claude Managed Agents 上线三项功能。‘做梦’解决记忆退化，成果评估自动检查工作，多 Agent 协作让复杂任务分工处理。Dario 称 AI 时代单人公司或达 10 亿美金营收。
养了只东北味熊猫当AI合伙人，一口一个老铁，还真帮我开了家「一人公司」
腾讯ima上线copilot模式，可“领养”小熊猫并设定人设风格，成专属知识伙伴。它不分对话和任务模式，知识库功能实用，还能私人定制。作者用它模拟创业，体验良好，其记忆和全场景感知实用。
你花80%精力调的AI，效果被 PDF 解析卡死了
做RAG时，花80%精力优化embedding和检索，效果上限却被PDF解析卡死。OpenDataLoader PDF靠不同架构在基准测试获第一，采用混合架构，还做了三件其他解析器不做的事，思路值得学习。
开源模型首超Opus4.6！智谱GLM-5.1登场，14小时后CUDA专家被冲了
智谱开源模型GLM - 5.1带来重大突破，14小时完成CUDA Kernel优化，加速比大幅提升。它解锁与顶尖闭源模型Claude Opus 4.6全面对齐，在多测试中表现优异，展现长程任务能力，改写行业叙事逻辑。
你敢把「龙虾」放在手机上跑吗？手机 Agent 离落地还差一道「隐私关」
港中深联合腾讯混元研究揭示，手机 Agent 落地关键不在成功率，而在隐私边界。研究设计隐私交互协议，构建模拟 App 记录过程，将常见越界行为归类检查，评估多个模型发现诸多隐私问题。
哈佛物理教授疯了：我让AI写论文，结果两周干完博士一年工作！已发顶刊
哈佛物理学教授Matthew Schwartz指导Claude 4.5，两周产出顶刊级量子场论论文，人类博士生则需一两年。实验中AI展现能力也暴露问题，教授总结其优缺点及应对心法，还探讨人类科研人员未来。
阿里“悟空”上线！钉钉给企业送来龙虾大军
AI钉钉2.0年度新品发布会上，阿里发布AI toB旗舰应用“悟空WuKong”，它以企业智能体为核心，能落地办公场景。悟空开启全球邀测，也会内置到钉钉AI 2.0。它还带来行业解决方案，补齐安全短板。
AI两天推翻20年工作习惯！Karpathy百行代码开源项目“封神”，AI替你通宵肝研究、战绩可查
特斯拉前AI总监Andrej Karpathy开源autoresearch项目，让AI Agent自主搞深度学习研究。两天内Agent完成276次实验，提升模型训练效率约11%。项目代码极简，未来目标是实现Agent大规模协作，已被开发者社区共建。