Terminal-Bench 4
PulseAugur coverage of Terminal-Bench 4 — every cluster mentioning Terminal-Bench 4 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Factory 发布 Droid 1.0 编码代理，支持程序化工具调用
Factory 发布了 Droid 1.0，一个更新的模型无关编码代理框架，默认支持程序化工具调用。此新功能允许模型编写在沙箱环境中执行工具的 JavaScript 程序，从而在单次模型请求中实现数百次工具调用，并显著降低 token 使用量和成本。Factory 报告称，Droid 1.0 使用 Claude Opus 5.5 在 Terminal-Bench 4 基准测试中达到了 65.2% 的通过率，在性能和成本效益方面均优于其…
-
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。
-
新研究探索优化代理工具链以提升AI性能 · 追踪9个来源
多篇研究论文探讨了代理工具链的优化和演进，代理工具链是决定语言模型如何与其环境交互的关键组成部分。研究引入了GUI-HARVEST、ActiveSaddler、MILO和DynaHarness等新框架，专注于自我改进、自动化课程学习和动态物理治理。这些方法旨在通过基于执行反馈和证据驱动的演进来优化提示、工具接口和控制逻辑，从而提高代理在编码、通用代理任务和机器人技术等各种任务中的性能。研究结果表明，代理系统的有效性高度依赖于模型与其工…
-
Cognition 的 SWE-2 编码模型以更低的成本匹配 Fable 5.1
Cognition 发布了 SWE-2，这是一款使用 Moonshot AI 的 Kimi K3 模型进行强化学习后训练的新型编码模型。据报道，该新模型在 FrontierCode 基准测试上的表现与 Fable 5.1 相当，但成本显著降低。SWE-2 还引入了可选的推理工作量级别，在一次强化学习运行中进行训练，并且与前代 SWE-1.7 相比，在编码任务上展现出更高的效率和更少的绕路。