OfficeQA Pro
PulseAugur coverage of OfficeQA Pro — every cluster mentioning OfficeQA Pro across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Sage S2.1 Flash 模型集成了科学数据理解和工具使用能力
上海人工智能实验室发布了 Sage S2.1 Flash,这是一款专为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能力以及信息检索、编程和工具使用等功能,能够进行多轮分析和验证。它支持分子图谱和蛋白质结构等十多种科学输入,并将其编码到共享表示空间中进行推理。Sage S2.1 Flash 表现强劲,在 MLE-bench Lite 和 OfficeQA Pro 等四个基准测试中排名第一,七个基准测试中排名第二。
-
Nace AI 发布 Drex for Search,提升 AI 代理文档检索能力
Nace AI 发布了 Drex for Search,这是一个旨在增强人类和 AI 代理文档搜索能力的检索层。该系统集成了多种编码代理和 LLM,包括 GPT-5 和 Gemini 3.5 Flash,并在 BrowseComp-Plus 等基准测试中表现出色,以显著少于竞争对手的搜索调用次数实现了 92.05% 的准确率。Drex for Search 旨在通过智能导航复杂的文档结构和多跳查询来改进传统的 RAG 方法。
-
Navalia框架提升LLM代理在金融分析任务中的表现
研究人员开发了Navalia,一个旨在增强大型语言模型(LLM)代理能力的框架,特别适用于复杂的金融分析任务。Navalia结合了可验证的任务合成和长时程后训练,利用公司财务报告生成具有可追溯证据和数据依赖性的分析任务。该框架通过增强证据整合、工具使用和长时程任务执行,在OfficeQA Pro和FinSearchComp等多个基准测试中展示了持续的改进。
-
新框架旨在改进面向知识工作的 AI 基准测试
一篇新论文提出了一个三步框架,用于设计和报告面向知识工作的 AI 系统的基准测试。该方法强调清晰地定义工作活动、指定测试环境以及对实际工作成果进行评分。这旨在弥合基准测试性能与实际部署能力之间的差距,尤其是在编码、研究和医疗保健等领域的 LLM 代理方面。