「任务持久化」共找到 2677 篇相关文章
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。
腾讯纯文本LLM训视觉encoder，拿捏图表长视频，达到开源小模型SOTA！
腾讯开源Penguin - VL，直接用纯文本LLM训视觉编码器，跳出传统多模态拼接套路。在2B/8B紧凑参数规模的复杂任务中竞争力强，训练分三阶段，相关代码、模型等已开放。
Anthropic 新研究：AI出错是“热混乱”
Anthropic研究团队发现AI可能无一致目标，只是瞎搞。他们将AI错误分类，测试发现推理越久越混乱，大模型复杂任务易失控。此发现改变对AI风险的认知，论文已在arXiv发布。
Anthropic这两天真没闲着：上线网页版Claude Code，还让Claude搞科研
Anthropic推出Claude Code网页版，无需本地安装命令行工具，还提供Claude iOS应用预览版。其有并行处理多任务等亮点。此外，还发布Claude生命科学版，搭载Claude Sonnet 4.5模型，能助力科研。
Agent 下半场：真正能自进化的 Agent 应该是什么样的？
当下 Work Agent 难以稳定完成复杂长程任务，且经验无法沉淀。EvoMap 提出自组织蜂群架构，通过 AutoResearch 落地验证，探索 AI4AI 方向，构建记忆和连接的三层产品结构，推动 Agent 网络自进化。
Anthropic首次揭秘下一代Claude怎么造！用户吐槽直接喂模型，连AI“做梦”都被训练
Anthropic研究团队产品经理Alex在访谈中透露Claude演进方向，如将模型开发产品化、向“持续运行Agent”演化，还解释“dreaming”机制等，也提及训练“人格”、研究意识等，展现了长远思考。
Claude推出Agent View：一次管理所有编码会话
Anthropic为Claude Code新增Agent View功能，可集中管理编码会话，已开放研究预览。开发者操作路径清晰，早期用户总结出实用玩法，解决了常开多任务的切换难题，目前部分计划可体验。
多模态Deep Research，终于有了「可核验」的评测标准
俄亥俄州立大学与 Amazon Science 等联合发布 MMDR - Bench，将多模态 Deep Research 评估拉到可核验标准。它含 140 个专家任务，覆盖 19 领域，把评估拆成 3 段管线、12 指标，强调过程证据链。
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。
Claude Opus 4.7 发布！留给人类的时间，不多了
Anthropic 发布 Claude Opus 4.7，核心升级是让 AI 跑长且复杂任务，还能自我验证结果。它视觉能力超强，编程能力提升，新增 /ultrareview 功能，API 多了调节档，不过 token 数量或增加，成本可能上浮。