「多任务」共找到 5322 篇相关文章
GPT-5.4 仅 11.36%！当大规模工具生态变成迷宫，LLM Agent 还能完成长程规划吗？
PlanBench-XL 来自 UIUC 团队，将 LLM Agent 放入零售 API 世界，评测其长程规划能力。它考虑真实工具环境挑战，含 327 个任务等，发现多数模型规划难、恢复差等问题，并给出改进启示。
全球第一个「无人公司」来了：AI 开公司帮你赚钱，这件事终于有人跑通了
市面上 AI 工具多停留在帮用户做出产品，难以将其运营成生意。Flowith 团队的 Matrix 产品主打用 Agent 开「无人公司」，让 AI 完成调研、生产、发布、获客等工作，有望破局。
阶跃开源JetSpec，大模型推测解码提速近10倍
随着Agent应用爆发，大模型推理效率成AI行业焦点。阶跃星辰联合多校团队开源JetSpec，该框架面向推测解码，在H100上把MATH - 500解码速度提升到9.64倍，突破了推测解码的扩展天花板。
OpenAI 和 Anthropic “杀”红了眼，谷歌成为最大受害者
6月AI人才市场，谷歌7天内损失四位技术元老，分别加入OpenAI和Anthropic。这引发外界关注，有人质疑谷歌AI处境。DeepMind CEO哈萨比斯回应称，判断AGI竞赛输赢不能只看短期，谷歌仍有优势。
为什么你的 AI Coding 账单越涨越快？十个节约 Token 的工程办法。
文章指出今年大模型Token账单涨得快，尤其AI编程重度用户。从工程角度总结降低Token消耗的方法，如上下文清场、代码导航等，还分析AI Coding的Token变贵原因及各方法适用边界。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展快，现有检测方法难满足需求。新综述提出‘事实保真度验证’目标，梳理四层检测框架，涵盖底层线索、时空一致性等，强调多层证据耦合与可解释性，还分析评测指标与数据集。
谷歌把电脑操作能力塞进Gemini 3.5 Flash！自己看屏幕狂点70轮
谷歌将电脑操作能力Computer Use内置进Gemini 3.5 Flash，该AI能通过看屏幕操作电脑，可执行点击、打字等动作。其覆盖网页、桌面软件和移动端，还加入安全约束机制，在基准测试中表现良好。
TRM思考奖励模型上线，大模型推理质量终于能量化了 | ICML‘26 Oral
大模型推理评测多只看答案，忽略推理过程。上海多校团队提出TRM，用ME² principle刻画推理质量，DAG-based pairwise evaluation还原结构，训练奖励模型，让推理质量可度量、训练和优化。
从3632个漏洞看AI时代的评测基准重构！VulnGym基准发布
随着新一代漏洞检测工具出现，漏洞检测走向理解业务风险。腾讯悟空安全团队联合多机构发布 VulnGym 评测基准，基于真实漏洞构建，覆盖 400+ 漏洞路径，71.2% 为业务逻辑漏洞，支持确定性评测。
Kimi推出超实用插件！让AI真正像你一样操作浏览器
月之暗面推出Kimi WebBridge浏览器扩展插件，让AI Agent像用户一样操作浏览器。它采用本地优先路线，保障安全，可实现信息采集等自动化操作，还能创建CLI工具，是AI浏览器自动化趋势的重要成果。