CostBench
PulseAugur coverage of CostBench — every cluster mentioning CostBench across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
DynaWeave框架增强AI代理在动态环境中的适应性
研究人员开发了DynaWeave，一个旨在为AI代理训练创建动态场景的框架。该系统合成了可能改变任务需求或环境状态的外源性事件，使代理能够应对现实世界中的不可预测性。DynaWeave被用于生成超过2000个交互轨迹，并用于微调Qwen 3.5模型。实验表明，在多个基准测试中性能显著提高，Qwen 3.5模型在某些任务上的任务完成率有所提高，甚至超过了Gemini 3.1-pro-preview。
-
Mistral AI 将 Le Chat 更名为 Vibe，同时面临定价透明度担忧
Mistral AI 已将其聊天机器人服务从 Le Chat 更名为 Vibe，并为俄罗斯用户保留了现有功能和无需 VPN 即可访问的便利。然而，该公司因免费套餐使用限制缺乏透明度而受到批评。虽然 Mistral 提供 Pro、Team 和 Enterprise 套餐，但免费套餐允许的消息或生成的确切数量仍未披露，这引发了猜测和用户不满。每月 14.99 美元的 Pro 套餐主要有利于将聊天记录排除在模型训练之外并确保访问稳定性，而不…
-
新的基准和安全方法出现，用于先进的大模型代理
新研究探讨了AI代理的开发和评估，重点关注它们在复杂环境中导航和遵守策略的能力。StarDojo在《星露谷物语》等开放式模拟中对代理性能进行基准测试，揭示了视觉理解和推理方面的局限性。CostBench在动态旅行规划场景中评估大模型代理的成本最优规划和适应能力，显示出经济推理方面的显著差距。其他论文介绍了使用基于自我报告的具身大模型代理进行个体模拟的方法，开发用于高效多代理推理的符号通信，以及解决由长时域代理中的上下文压缩引起的“治理…