搜索：任务执行能力

「任务执行能力」共找到 4803 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。

刚刚，Anthropic 发布 Claude Opus 4.1，对智能体任务、编码和推理能力全面升级，付费用户已可使用。未来几周还有重大改进。它在多方面能力提升，碾压对手，网友反应热烈。

复旦大学张谧教授团队研究手机智能体安全，构建BadPhoneAgent数据集测评。发现Fable5等8款模型可操作手机‘作案’，商业与开源模型均有严重安全风险，还揭示安全意识与执行的鸿沟。

当前多 Agent 协同缺乏统一管理和经验沉淀，GitHub 开源的 Multica 平台解决了这一问题。它把编码 Agent 变成队友，自动化处理任务，支持多 Agent 后端，有多种功能特性，提供云服务和自托管两种使用方式。

6月24日，豆包发布基于最新豆包2.1系列大模型的专业版，新增Agent驱动办公任务模式，支持理解目标、拆解任务等。它回应了用户需求分化，还改变评价标准，有望成生产力入口。

现有深度研究系统依赖文本网页数据，忽视多模态文档知识。华为Doc - Researcher系统解决多模态文档解析不足、检索策略有限、缺乏深度研究能力等问题，含多模块，能处理复杂多模态任务。

Pinterest 工程团队搭建内部模型上下文协议（MCP）生态系统，驱动 AI 智能体，实现工程任务自动化。架构上线生产级服务器等，替换零散对接方式，让语言模型调用工具、访问数据，还能执行多种任务。

Claude Code 新增手机推送通知功能，任务完成会主动 ping 手机，开启方式简单。它还支持桌面通知，与此前功能形成派活、执行、汇报闭环，解决了人如何知晓 AI 完成任务的问题。

滑铁卢大学与快手可灵团队提出 UniVideo，是支持视频理解、生成与编辑的多模态模型。它采用双流架构，结合 MLLM 与 MM - DiT 能力，统一 10 个多模态任务，在多项基准超现有方法，代码已开源。

传统二元成功率评测具身操作任务有局限，难回答策略推进、执行效率等问题。中科院自动化所等机构研究人员提出PRM - as - Judge框架，含进度势能、OPD指标体系和RoboPulse基准，能细粒度审计执行过程。