Terminal Bench 2
PulseAugur coverage of Terminal Bench 2 — every cluster mentioning Terminal Bench 2 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
RSIHub框架通过可重用组件标准化智能体演化研究
研究人员推出了RSIHub，一个旨在简化智能体演化方法开发和比较的开源框架。该框架提供了共享的基础设施，使研究人员能够专注于演化策略，而不是重建实验机制。RSIHub支持实例化AHE、Hyperagents、A-Evolve和GEPA等各种方法，并在MiniSWE和Codex等基准测试上进行了评估，在不同设置下展示了不同的性能提升。
-
HarnessPro 提升 AI 代理性能并降低成本
研究人员开发了 HarnessPro，这是一种通过递归增强性能同时降低执行成本来改进 AI 代理 Harness 的新方法。这种无需标签的方法利用 LLM 生成的测试和专用代理来诊断和规划更新，提供针对不同预算限制定制的“lite”、“medium”和“heavy”Harness 配置。在 SWE-Bench Pro 等基准测试上的实验表明，HarnessPro 使用 GPT-5.5 结合 Codex 等模型，可以在通过率显著提高的同…
-
HarnessPro 方法提高了 AI 代理性能并降低了成本
一种名为 HarnessPro 的新方法已被开发出来，用于递归地改进 AI 代理 Harness，旨在提高任务性能同时降低执行成本。这种无需标签的方法利用 LLM 生成的测试和轨迹诊断来规划和实施更新，根据部署预算提供针对成本、平衡或性能进行优化的专用 Harness。在 Terminal-Bench 2 和 SWE-Bench Pro 等基准测试上的实验表明，使用 GPT-5.5 和 Codex 等模型时，通过率显著提高且成本有所降低。
-
递归自改写框架提升AI模型在复杂任务上的性能
研究人员推出了一种名为递归自改写（RSR）的新型框架，旨在提升AI模型在复杂任务上的性能。RSR利用基础模型Qwen-3.8-27B，从各种专业环境中发现并重构成功的解决方案，将其转化为通用格式。该过程包括规划器、评论家和执行器，以完善程序并创建新的训练轨迹。该框架在Terminal-Bench 2和Terminal-Bench 4等多个基准测试中显著提高了性能，证明了其在为AI模型生成可重用能力方面的有效性。
-
AI的下一个优势：将反馈转化为可操作的见解
AI发展的下一个前沿可能不是原始智能或代理能力，而是将模糊的人类判断转化为可靠的、机器可执行的反馈的能力。虽然模型的能力越来越强，但它们的可靠性是另一个发展维度。真正的竞争优势将在于系统将反馈转化为可操作见解的能力，而不仅仅是处理数据或执行操作。
-
Qwen 3.6 量化模型显示智能体性能下降，知识回忆保持稳定
一个大学 HPC 集群对 Qwen 3.6 量化模型进行了基准测试，结果显示较低精度的版本在 Terminal-Bench 2 评估的智能体性能方面显著下降。虽然通过 GPQA Diamond 评估的知识回忆能力受量化影响很小，但与 Qwen 官方的 FP8 分数相比，研究观察到了一个显著的下降，这可能归因于不同的超时设置。研究人员还在对 GLM-5.2 量化模型进行基准测试，尽管这一过程被证明非常缓慢。
-
AI 自进化可能始于外部系统，而非模型权重
前 OpenAI 安全副总裁 Wonyong Li 提出了一条 AI 自进化的新路径，建议从外部操作系统（Harness）开始，而不是直接修改模型权重。该 Harness 系统负责管理工具使用、上下文、任务拆分和结果验证，并可根据观察到的失败进行迭代改进。DeepSeek 的崔天言等研究人员认为，改进 Harness 是 AI 进步的一个有前景的方向，有可能在不改变核心模型的情况下实现显著的性能提升。
-
MiniMax 发布 M3 模型，支持百万级上下文和强大的编码能力
MiniMax 发布了其 M3 模型，这是一款拥有百万 token 上下文窗口和原生多模态能力的前沿级 AI。该模型在编码基准测试中表现强劲，在 SWE-Bench Pro 上达到 59.0%，在 Terminal Bench 2 上达到 66.0%。早期用户注意到其令人印象深刻的前端能力，以及在体验上与 Anthropic 的 Claude 相似，但性能和价值更优。