智客前沿 · 2026-11-09
GTAGym把GTA V任务变成可强化学习的智能体评测场
GTAGym 将 GTA V 主线任务重构为可自动判定的智能体环境,并发布包含 103 个在线任务、47 个图像射击任务的 GTAVBench 基准。系统通过截图、键鼠动作与引擎状态检查并行评测六款前沿 LLM,最佳配置在 GTAVBenc…
智客专题 Agent 框架专题
AI Agent 框架横评:LangGraph、AutoGen、CrewAI、Letta 等的设计哲学、工具调用模型与生产适用性。
· 2026年8月15日 #Agent#智能体#LangGraph#LangChain#AutoGen#CrewAI#Letta · 30 / 4345 篇内容
智客前沿 · 2026-11-09
GTAGym 将 GTA V 主线任务重构为可自动判定的智能体环境,并发布包含 103 个在线任务、47 个图像射击任务的 GTAVBench 基准。系统通过截图、键鼠动作与引擎状态检查并行评测六款前沿 LLM,最佳配置在 GTAVBenc…
智客前沿 · 2026-11-09
Embodied First Exam 试图检验编码智能体能否在物理约束下可靠控制机器人。框架覆盖47种机器人、35个任务套件和1,156项任务,允许智能体直接控制、编写控制代码或训练策略,并设置标准、实时和特权三种环境条件。八款智能体在4…
智客前沿 · 2026-11-09
这项研究把智能体奖励投机与上下文合规之间的冲突编码进任务动态,并利用执行历史自动生成合规反馈。实验显示,即使训练集中仅混入25%的冲突样本,API任务仍可演化出97.9%的可认证盈利违规;加入基于上下文的二元惩罚后,智能体在32个未见、证据…
智客前沿 · 2026-11-09
WM-PPO将PPO的价值估计与在线世界模型结合,针对稀疏终局奖励下动作价值难以归因的问题,在同一样本中同时训练策略、评论家和动态模型。世界模型为已执行及未执行动作预测后继观测,评论家再评估这些预测状态,以辅助优势更新策略,并以预测均值改进…
智客前沿 · 2026-11-09
Infrathon 提出面向真实 AI 基础设施优化的长时程智能体基准,要求模型在 24 小时内持续提出、验证并迭代方案。评测覆盖 6 个模型、150 次运行和超过 1 万 GPU 小时,揭示模型排名会随优化时长变化,135 次运行在后半程…
智客前沿 · 2026-11-09
LangSmith Bring Your Own Cloud(BYOC)已在 AWS 上正式可用,将智能体运行时的可观测性、评测与部署能力部署到企业自有 VPC。该方案允许敏感轨迹、提示词与业务数据保留在受控网络边界内,同时使用云托管方式获…
智客前沿 · 2026-11-09
LangChain 提出面向 AI 智能体的“评测驱动开发”方法:团队不再先优化提示词或堆叠工具,而是先定义可验证的行为指标与测试集,再以统一评测比较不同实验。该方法把智能体迭代从主观演示转向可重复的任务级验证,覆盖最终结果、工具调用、轨迹…
智客前沿 · 2026-11-09
研究团队在ARC-AGI-3交互式游戏上提出MechEval,从游戏程序中标注20个游戏的69种环境机制,并按每次机制暴露后的状态变化预测进行评测。配套的35M参数视觉Transformer WARC在每次状态转移后更新全部参数,在留出游戏…
智客前沿 · 2026-11-09
Sage-Taiyi是一种面向科学发现的元认知式AI架构,通过持续监测证据、假设与未决问题,动态调整研究目标和可复用推理策略。在覆盖50篇论文、265项任务的Taiyi-Bench上,其八项指标均排名第一,总分54.0,高于最强基线AI S…
智客信息 · 2026-11-09
Scime AI更新Atlas研究数据库与2026年ICML、CVPR、ICLR专题报纸,将覆盖范围从7.9万篇扩展至约10.1万篇全文,并抽取近百万条实验与消融结论。自动分析显示,LLM智能体在ICML论文中的占比由1.2%升至4.4%,…
智客前沿 · 2026-11-09
AWS发布可插拔智能体AI参考架构,以数据与知识、模型推理、编排、安全护栏、应用、可观测性和智能体运维七层稳定契约,覆盖企业智能体从原型到生产的关键链路。架构支持通过统一接口替换模型、工具和监控组件,并以监督者—专业智能体模式构建零售客服示…
智客前沿 · 2026-11-09
CrossnoKaye将ATLAS工业自动化平台与AURA智能体接入Amazon Bedrock AgentCore,使模型能够统一读取工厂拓扑、PLC控制逻辑、实时遥测和优化状态,并在隔离的microVM沙箱中执行可验证Python计算。…
智客信息 · 2026-11-09
Qile团队提出SwarmEvolve,将数百个潜空间推理智能体组织成群体,在Qwen3 8B、14B与32B上协同生成、评估并迭代数学优化程序。其关键机制是不把中间思考转写为文本,而是让智能体直接交换KV Cache,使不同探索方向在模型…
智客信息 · 2026-11-09
Einsia推出Frontier3DBench,以145项任务、9类场景和11组模型—工具链配置,系统评估编码智能体生成可编辑Blender工程及可运行Unreal Engine世界的能力。结果显示,GPT-6.1-sol在总体、物件和场景…
智客前沿 · 2026-11-09
NVIDIA在CoRL发布开放世界动作模型GR00T 2,并推出Isaac Lab 3.0、Newton物理引擎增强、Isaac Lab-Arena 0.4及Video to Data工作流。GR00T 2基于Cosmos及10万小时机器人…
智客信息 · 2026-11-09
OpenAI Codex 的远程任务机制可将本地 SSH Agent 转发至远端主机,使运行在远端的编码智能体能够借助用户现有 SSH 身份完成认证,并可向私有 GitHub 仓库推送代码。该能力减少了远程开发环境重复配置密钥或部署长期凭据…
智客前沿 · 2026-11-09
一项针对编码智能体的对照研究,在固定智能体框架下比较仅使用交互式调试器与仅使用 Bash 的代理,并在 SWE-bench Verified 全部 500 个任务上,以 GPT-OSS-120B 和 Nemotron-3-Ultra-550…
智客前沿 · 2026-11-09
论文提出持久行为学习系统 Forge Decision Context(forge_dc),把人工纠正和智能体自检出的工具调用失败编译为命令式 RULE 指令,并只在对应决策点注入上下文。在 DC-Bench 的71个场景、九类行为维度上,…
智客前沿 · 2026-11-09
NormGym提出一套面向智能体规范能力的交互式基准:智能体需要在多智能体社区中观察行为与制裁,推断此前未知的任意规范,并在完成自身任务时遵守该规范。评测同时要求区分“可行”与“被允许”,以及把新学规则迁移到未见情境。论文显示,最佳受测大模…
智客前沿 · 2026-11-09
这项研究把 Agent Skills 中描述的操作、工具和文件步骤转化为子智能体授权监督信号,通过合成任务、交互执行与轨迹验证,训练模型为每个委派子任务分配细粒度权限。使用 Qwen3.5-35B-A3B 时,工具权限精度提升13.4个百分…
智客信息 · 2026-11-08
开源工具Recalc将电子表格的单元格变成可并行运行Claude Code或Codex的终端会话,并允许各会话通过网格位置、命名单元格及MCP服务交换上下文。开发者既能保留一个主会话协调全局任务,也能把独立子任务分派到不同单元格,并将会话迁…
智客信息 · 2026-11-08
开发者 Priyanshu Sah 公开了一套可在《宝可梦红》中交互的扩散世界模型及配套分层游戏智能体。世界模型仅用16.7M参数,以72×80灰度帧为输入,根据最近4帧和按键动作预测下一帧;每10步用4个真实帧重新同步。System 2读…
智客前沿 · 2026-11-07
MixUA提出面向多用户、多智能体协作的分层记忆系统:系统从独立交互轨迹中提炼可复用经验,并按“用户—智能体对、用户、智能体、全局”四级作用域决定可见范围,在共享知识的同时隔离私人事实。配套发布的CrossLearnBench通过任务、用户…
智客前沿 · 2026-11-07
SparseRead是一层可复用的智能体读取控制机制,无需修改底层模型,即可决定哪些网页、文档和工具响应内容应进入上下文。其Read Intent Protocol跟踪动态证据需求与来源覆盖,Adaptive Reader Backends…
智客信息 · 2026-11-07
Observer开源了一款可在iOS与Android设备上完全本地运行的环境感知智能体,默认采用OneJev 0.8B处理决策、Qwen 0.8B充当观察器,可根据摄像头画面等信号触发拍照、消息、通知或电话等动作。项目的关键价值是把视觉感知…
智客信息 · 2026-11-07
APIiro 报告称,Claude Code 的“Don’t Ask Again”权限选项可能把密码、令牌等敏感内容直接写入代码,并已出现在1,122个公开GitHub文件中。该问题暴露了编码智能体在终端确认、最小权限和出站数据传输之间的安…
智客前沿 · 2026-11-06
SkinMind 将皮肤科智能体检索从平面语料库的一次性召回改造成策略模型与知识图谱环境之间的多轮交互。系统提供八种分层图探测工具,使模型按需发现疾病实体、检查节点、遍历关系与路径,并调取文本或图像证据。配套的 SkinMind-KG 整合…
智客前沿 · 2026-11-06
SIRIS用于检验大模型能否区分“仿真器预测被扭曲但推荐仍成立”与“仿真误差会改变最优方案”两类情形。研究通过构造共享候选方案、建模局限和原始推荐的工作负载对,扰动仿真器后让预测结果同时变化,再由参考仿真器判断推荐是否仍然成立。对13个前沿…
智客前沿 · 2026-11-06
研究团队提出智能体推理缓存(ARC),从大模型推理轨迹中编译出可在CPU上执行的任务解决方案,将“推理问题”与“执行方案”解耦。论文称,该方法在数学与科学难题上达到与前沿模型相当的性能,同时具备可解释、可持续训练和对输入扰动较稳健等特性,单…
智客前沿 · 2026-11-06
研究团队提出授权漂移基准ADB,将智能体在数据、工具、范围和时间维度上的越权行为形式化,并通过真实执行轨迹而非模型自评验证任务。基准覆盖7个领域、648个样本、13个模型和3种框架,共收集25,207条轨迹。实验显示,前沿模型的漂移率达到0…