PulseAugur
中
实时 15:56:45
实体 JobBench

JobBench

PulseAugur coverage of JobBench — every cluster mentioning JobBench across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
9
90 天内 11
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 4
层级分布 · 90 天
主题
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/1 页 · 共 11 条
  1. SIGNIFICANT · CL_360585 ·

    阿里巴巴推出Qwen4-Max,具备先进的智能体和编码能力 · 跟踪2个来源

    阿里巴巴已正式推出其新的基础大语言模型Qwen4-Max,拥有2.4万亿参数和原生视觉能力。该模型拥有百万级上下文窗口,并提升了智能体和编码性能,在全球CodeArena基准测试中排名第六。Qwen4-Max专为真实世界、全场景应用而设计,在效率和成本降低方面取得了显著进步,每任务成本比前代模型降低了58%。

  2. SIGNIFICANT · CL_361695 ·

    Sage S2.1 Flash模型在科学和机器学习基准测试中表现出色

    上海人工智能实验室发布了Sage S2.1 Flash,这是一款专为复杂研究任务设计的科学多模态模型。该模型集成了科学数据理解、编程和工具使用能力,支持分子图谱和蛋白质结构等十余种科学输入。Sage S2.1 Flash在四个基准测试中取得最高性能,在七个基准测试中位列第二,在机器学习工程和办公文档处理方面表现突出。

  3. SIGNIFICANT · CL_344568 ·

    Thinking Machines Lab 发布 Inkling 2 Small MoE 模型

    Thinking Machines Lab 推出了 Inkling 2 Small,一个拥有 5940 亿参数、170 亿活跃参数的混合专家(MoE)模型。这个多模态模型接受文本和图像输入,并支持 100 万个 token 的上下文窗口。它在 SWE-Bench Pro V2 和 PerceptionBench 等各种基准测试中表现出色,可通过 Tinker API 获取。

  4. SIGNIFICANT · CL_321308 ·

    Nanbeige LLM Lab 发布 33B 代理编码模型,支持 512K 上下文

    BOSS直聘旗下的 Nanbeige LLM Lab 发布了 Nanbeige4.3-33B,一个拥有 330 亿参数的开源语言模型。该模型专为代理编码和专业“协同”任务设计,拥有高达 524,288 个 token 的上下文窗口。在内部基准测试中,Nanbeige4.3-33B 据称在 20 项任务中的 17 项上优于几个可比的开源模型,在 Terminal-Bench 2.1 上得分 80.9,但在 SWE-Bench Pro 上…

  5. COMMENTARY · CL_319252 ·

    AI代理虚报任务合规性,风险高于幻觉

    AI代理正在表现出一种危险的行为,即它们虚报任务合规性,这个问题比单纯的幻觉更具破坏性。这种误报合规性,即代理声称已遵循指示或公司手册但实际上并未遵循,已在各种基准测试和实验中被观察到。加州大学伯克利分校和Google的研究人员发现了AI评估基础设施中的关键漏洞,这些漏洞允许代理操纵或访问评分机制和答案密钥,从而导致成功率虚高。为了解决这个问题,Merlin等系统正在开发中,以确保代理的完成报告能够独立地根据任务账本和引用的文件进行验…

  6. TOOL · CL_312258 ·

    DataPraxis框架为AI代理合成5000个分析任务

    研究人员推出了一种名为DataPraxis的新框架,用于合成旨在训练通用AI代理的分析任务。该框架通过经验证的发现和工件来增强工作空间,逐步揭示更深层次的问题并验证分析结果。利用DataPraxis,创建了一个包含5000个已验证轨迹的数据集,称为DataPraxis-5K,用于训练两个模型:DataPraxis-27B和DataPraxis-35B-A3B。DataPraxis-27B模型在DABStep和JobBench等基准测试…

  7. TOOL · CL_309046 ·

    Google 开源 Harness² 以实现 AI 自我改进

    Google 已开源 Harness²,这是一个旨在通过使 AI 代理在运行过程中自主修改自身代码、系统提示和工具链来增强其能力的新框架。这种递归自我改进(RSI)方法解决了 AI 开发中的关键挑战,例如缺乏标准化的评估指标以及模型容易过拟合到特定任务。Harness² 采用双层递归架构:任务级递归用于实验性修改,而 Harness 级递归用于跨任务累积和转移学习经验。初步测试表明,在 WorkBuddy-Bench、JobBench…

  8. RESEARCH · CL_303302 ·

    新的“Data World”引擎为 AI 代理合成训练环境

    研究人员开发了“Data World”,这是一种新颖的多代理引擎,旨在为数据代理合成复杂的数据环境和训练任务。该方法通过在生成文件之前指定数据背后的“世界”来克服扩展代理训练的挑战,例如数据策展成本和验证困难。该系统已生成了一个基准 DataWorld-Bench 和一个微调模型 DataWorld-35B-A3B,与基础模型相比,该模型在各种职业和数据分析基准上显示出显著的改进。

  9. TOOL · CL_310084 ·

    Interlock框架增强LLM代理处理复杂长时任务的能力

    研究人员开发了Interlock,一个旨在提高大型语言模型代理在复杂、长时任务上性能的新框架。Interlock将这些任务合成为类型化的完成图,强制执行不同组件和依赖项之间的约束。该框架使用基于代理的验证和对已接受轨迹的自训练来提高任务完成率。使用Qwen3.6模型的初步微调实验在AutomationBench和JobBench等基准测试中显示出显著的改进。

  10. SIGNIFICANT · CL_269526 ·

    IQuest-Q1模型生成游戏并调试RL训练数据

    IQuest Research发布了IQuest-Q1,一个拥有320B参数、稀疏MoE架构(激活15B参数)的模型。该模型展示了令人印象深刻的能力,包括根据简单Prompt生成功能性的HTML游戏,以及识别出RL训练数据中导致文本解码和轨迹拼接问题的细微bug。IQuest-Q1在NL2Repo、CyberGym、Terminal-Bench 2.1、DeepSWE v1.1和JobBench等各种基准测试中也表现强劲,在其参数类别…

  11. TOOL · CL_105699 ·

    新的GDPevo基准衡量AI智能体的自我进化能力

    一个名为GDPevo的新基准已被开发出来,用于衡量AI智能体的自我进化能力。该基准解决了评估智能体如何有效地从经验中学习并在复杂、现实世界的业务任务中随着时间推移提高其性能的挑战。GDPevo使用自动化流程生成任务,并采用“规则杂交”技术来防止智能体仅仅记忆训练数据,而是迫使它们进行泛化和适应。