实体
SWE-Together
SWE-Together
PulseAugur coverage of SWE-Together — every cluster mentioning SWE-Together across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的“下注式思考”方法提高了LLM代理的可靠性
一种名为“下注式思考”(Thinking-in-Bets)的新方法已被开发出来,以提高语言模型代理的可靠性。这种无需训练的技术涉及代理在收到用户反馈之前创建其声明和置信度水平的私有记录。当受到质疑时,代理会利用此记录来维持正确的工作,同时重新评估不确定的点。该方法在八个基准测试中对五个Gemini模型进行了测试,显示虚假反转和不必要的编辑显著减少,尤其是在编码任务中。
-
新的基准测试评估了交互式、多轮会话中的AI编码代理
引入了两个新的基准测试SWE-Together和SWE-Interact,用于在更真实、交互式和多轮的用户会话中评估编码代理。与一次性提供完整任务描述的静态基准测试不同,这些新框架模拟用户交互,逐步揭示需求并提供反馈。实验表明,在单轮任务上的强劲表现并不总是能转化为多轮场景,像Opus 4.8和GPT 5.5这样的顶级模型仍然存在忘记需求或犯技术性错误等问题。