「长程任务能力」共找到 4743 篇相关文章
Agent失忆怎么办，Anthropic教你做好工作交接
文章指出AI Agent跨上下文窗口执行长任务时易失败，Anthropic用Opus 4.5实验发现，问题根源是交接差。解决办法是让Agent像人类工程师一样留文档、进度和测试，拆分流程，严格规范，提升测试覆盖率。
Grok 4.7来了！网友实测先把SpaceX玩坏了，大火箭走起
xAI发布新版大模型Grok 4.7，上下文扩展至50万Token，重点提升编码、Agent及复杂长任务能力，多项专业测试成绩提升明显，发布后网友开启花式实测整活。
VLA别再「走神」：即插即用提升视觉泛化，相对Pi0.5提升18%
至简动力、北大、港中文团队发现VLA模型深层动作预测对关键视觉区域依赖下降，提出DeepVision - VLA框架，在仿真和真实任务中效果显著，能有效提升视觉泛化能力。
AI Coding 流畅度模型：人机协作中的开发者角色转型与未来演进
生成式 AI 正进入软件开发流程，角色不断扩大。AI Coding Fluency 模型描述团队使用 AI 能力演进，从辅助到自主执行。AI 编程面临信任、上下文、任务设计挑战，关键在于协作方式。
模型不是企业的护城河，那什么才是？
文章指出企业AI进入深水区后，真正的竞争是将AI变成企业自己的智能引擎。衔远科技创始人周伯文提出泛化基础上的深度专业化是企业竞争力来源。衔远发布EnterpriseClawBench，揭示企业需私有化评估和可持续进化能力。
从答题到做实验：SciAgentGym让大模型进入科学工作流
复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。
二元成功率已经过时！PRM-as-a-Judge才是你需要的具身操作评测框架
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。
【开源】Multica：让 AI Agent 成为真正的团队成员
Multica 是开源的 Managed Agents 平台，能统一分配任务、跟踪进度、积累经验。它把 AI Agent 当团队成员管理，有5个关键能力，兼容8种主流 Agent，支持自部署，5分钟可上手，但生态尚处早期。
美7000万人或被取代，Agent光速卷入职场！北大校友、杨笛一新作
斯坦福大学研究团队调查104个职业领域1500名专家及52名AI研究员，构建WORKBank数据库。研究发现职场AI需求与能力错配，工人对AI态度不一，还揭示未来人类技能变化趋势。
阿里通义实验室出品！全新 GUI 智能体 MAI-UI，精准操控你的手机
阿里通义实验室推出 GUI 智能体模型家族 MAI - UI，覆盖多种规模。针对当前 GUI 智能体问题，采用统一方案让模型更强。在多项任务中刷新行业成绩，有性能提升与隐私保护双收益。