跳到正文

#Agent

RSS
今日 0 則
7月15日週三
  1. Hugging Face Blog81

    Thinking Machines 釋出 Inkling 與 Inkling‑Small 模型

    Thinking Machines 在 Hugging Face 釋出了 Inkling 與 Inkling‑Small 兩個多模態 LLM。Inkling 是 1T 引數、1M 上下文視窗的開源模型,支援影像、文本、音訊輸入,並具備 agentic 能力。

    推薦理由:Inkling 通過支援 1M 上下文視窗和多模態輸入,提供了大規模開源模型的高效推理與部署方案,幫助開發者快速構建跨模態推理應用。在 Hugging Face 平臺上可一鍵部署,支援多種推理引擎,滿足大規模推理需求,並提供 1M 上下文視窗的高效推理體驗,適合多模態推理與微調場景。

7月13日週一
  1. Cognition / Devin Blog74

    Fable 在 Fusion 架構下成本低於 Opus

    Fable 5 在 Devin Fusion 架構下的成本低於 Opus 4.8,同時取得更高分數。 - 成本比較:Fable + Sidekick 每次執行成本 $1.86,低於 Opus + Sidekick $2.04。

    推薦理由:實驗顯示,Fable 5 在 Fusion 架構下成本更低、效能更高,說明管理風格可顯著影響代理成本與效能

7月9日週四
  1. Amazon Science80

    在代理互動中捕捉 Token ID 以提升強化學習

    在代理互動中捕捉 Token ID 以提升強化學習 - Turnstile:用 Rust 實作的代理,位於 Agent harness 與後端之間,即時記錄精確 token ID、log 機率與 loss mask。

    推薦理由:本文提出在代理互動中精確捕捉 token ID 的方法,提升 RL 訓練的準確性,為多模態與 MoE 模型的強化學習提供可複用的工具。

7月8日週三
  1. Cognition / Devin Blog74

    SWE‑1.7:以更低成本達成前沿智慧

    SWE‑1.7 以更低成本達成前沿智慧,成為 Cognition 最新的 RL‑驅動 LLM。 - 成本效能:相較 Kimi K2.7,SWE‑1.7 在 FrontierCode 1.1 上 42.3% 通過率,成本僅為 30.1% 的平均 USD 花費。

    推薦理由:SWE‑1.7 以更低成本達成前沿智慧,為軟體工程代理提供可直接套用的技術與指標;其高效 RL 訓練架構與長期任務自壓縮功能,對開發者提升實務價值。

  2. Cognition / Devin Blog56

    測量開源衍生模型的可信度

    測量開源衍生模型的可信度 - 評估工具:Cognition 建立了結合直接提問與真實編碼場景的評估套件,涵蓋宣傳、拒絕與差異化安全等三大維度。 - 實驗物件:對 Kimi K2.7 Code、DeepSeek‑V4、GLM 5.2、GPT 5.5、Claude Opus 4.8 以及新開發的 SWE‑1.7 進行測試。

7月7日週二
  1. Cognition / Devin Blog70

    FrontierCode 1.1 針對網路使用精細化方法提升模型評估公正性

    FrontierCode 1.1 以更精細的網路使用規範與評分審核,將模型測試從不公平的網路搜尋中分離,並提升評分準確度。 - 公平網路使用:新增「fair internet use」提示與驗證器,將不公平使用率降至 1% 以下。

    推薦理由:FrontierCode 1.1 透過精細化網路使用規範與評分審核,提升模型測試的真實性與公正性,並兼顧實務可執行性,為開發者提供可落地的評估指標。

  2. Hugging Face Blog85

    Hugging Face 釋出 LeRobot v0.6.0:引入世界模型與統一評測

    LeRobot v0.6.0 引入了世界模型策略、全新的視覺語言動作模型和統一的獎勵模型 API,同時帶來了六大模擬評測基準、全新的部署命令列工具以及深度感知和資料自動標註能力。此次更新還優化了資料集載入速度,實現了完全分片資料並行訓練和雲端訓練支援,並大幅精簡了基礎安裝包的依賴。

    推薦理由:該版本閉環了機器人學習流程,使用者可以據此瞭解開源機器人框架在世界模型和評測方面的新能力。

7月2日週四
  1. Trail of Bits Blog75

    GPT-5.5-Cyber 在一天內構建 zlib fuzzing lab

    GPT-5.5-Cyber 在一天內完成了 zlib fuzzing lab,證明高階模型能即時自動化安全測試 • 模型與目標 使用 OpenAI 的 GPT-5.5-Cyber 透過 /goal 指令。

    推薦理由:此研究顯示 GPT-5.5-Cyber 在一天內完成 zlib fuzzing lab,證明高階模型可自動化安全測試,對開源維護者與攻擊者皆具啟示。

  2. LMSYS Org Blog69

    SGLang 團隊分享如何用 AI 助理協助開發與效能調校

    SGLang 涵蓋模型推論、GPU 核心和擴散模型,開發者常得靠記憶處理除錯、效能測試和程式碼檢查。SGLang 團隊把這些工作整理成技能、指令碼和檢查流程,讓 AI 助理能照固定步驟執行測試、讀取效能資料、修改程式,再用相同條件重新驗證。文章也分享實際最佳化案例,例如一項 B200 擴散模型核心工作,從固定測試資料、確認正確性到檢查實際模型表現,都留下可供檢視的證據。團隊強調,AI 助理可以接手重複工作,目標設定、判讀結果和檢查修改仍由開發者負責。

    推薦理由:SGLang 團隊整理出把除錯、效能測試與程式碼檢查寫成可重複流程的方法,並用實際案例說明如何留下可供檢查的成果。

7月1日週三
  1. Cognition / Devin Blog75

    推出 Devin Security Swarm:自動驗證與修補漏洞工具

    Devin Security Swarm 是一款自動化安全掃描工具,能在程式碼庫中發現漏洞、驗證可利用性並自動產生修補 PR。 - 功能:跨檔案推理、連結攻擊路徑、沙盒驗證、修補 PR 生成。

    推薦理由:能自動驗證可利用漏洞並自動產生修補 PR,降低成本並提高修復速度,同時支援多語言程式碼庫,並可在日常 CI 中自動執行,減少人工審核負擔

6月30日週二
  1. Together AI Official Blog77

    Together AI 於 ICML 2026:全棧前沿研究

    Together AI 在 ICML 2026 展示了九篇跨層研究,從代理到 GPU 核心,涵蓋模型、演算法、系統與硬體最佳化。 - 代理層:DSGym 1,000+ 任務、10+ 領域;ThunderAgent 3.6× 推理吞吐量、3.9× RL 迭代速度提升。

    推薦理由:Nine ICML 2026 論文涵蓋從代理到 GPU 核心的全棧研究,讀者可洞悉跨層最佳化的實際效能與落地策略,並展示多層協同效益與實際部署案例。

  2. Modal Engineering Blog72

    Anthropic 與 Modal 合作推出 Claude Science 生命科學 AI 工作臺

    Claude Science 是 Anthropic 與 Modal 合作推出的生命科學 AI 工作臺,允許研究者在對話中直接執行 GPU/CPU 計算並自動擴充套件至 Modal 容器。

    推薦理由:Anthropic 與 Modal 合作推出 Claude Science 生命科學 AI 工作臺,讓研究者能在對話中直接執行 GPU/CPU 計算並自動擴充套件至 Modal 容器,並提供 10 萬美元計算資源獎勵,協助學術團隊加速藥物發現與基因編輯研究,並於 6 月 30 日正式上線,同時提供免費 30 美元起始計算額度,方便新使用者快速體驗。

6月29日週一
6月25日週四
  1. Google DeepMind64

    Google DeepMind 推出 Gemini 3.5 Flash 內建 computer use 功能

    Google DeepMind 宣佈在 Gemini 3.5 Flash 中內建 computer use 功能,使其能夠跨瀏覽器、移動端和桌面環境執行AI 助理任務。該功能支援長週期和企業自動化場景,並通過對抗性訓練與可選的企業安全保護系統來降低提示詞注入等風險。開發者現可通過 Gemini API 和 Gemini Enterprise Agent Platform 開始構建相關應用。

6月24日週三
6月23日週二
  1. Mistral AI81

    Mistral AI 釋出 Mistral OCR 4 文件解析模型

    Mistral AI 釋出 Mistral OCR 4 模型,提供文件解析功能,除提取文本外還返回邊界框、塊分類和行內建信度分數。該模型支援 170 種語言,可在單容器中執行以用於自託管部署,並通過 API 或 Document AI 提供支援。

    推薦理由:該模型支援多語言及單容器私有化部署,為企業級檢索和AI 助理工作流提供了帶邊界框和置信度的結構化文件解析能力。

  2. Together AI Official Blog77

    ParallelKernelBench:前沿 LLM 尚未能快速編寫多 GPU 核心

    ParallelKernelBench 是一個測試多 GPU 核心生成的基準,評估 GPT‑5.5、Gemini 3 Pro 等前沿模型的表現。 - 核心特性:87 個實際工作負載,涵蓋多種分散式並行策略。

    推薦理由:此研究揭示前沿 LLM 在多 GPU 核心生成上的侷限,提供可量化的基準與改進方向,並展示首批成功案例。

6月17日週三
6月16日週二
6月15日週一
6月11日週四
6月10日週三
  1. Replit Blog73

    Replit 推出 Package Firewall,日阻擋 8,000+ 惡意套件

    Replit 發布 Package Firewall,能在安裝階段即時阻擋惡意套件,已每日阻擋約 8,000 個包。 - 功能:在 npm install 或 pip install 之前攔截惡意或已受損的套件,阻止任何惡意程式碼進入開發環境。

    推薦理由:Replit 透過 Package Firewall 即時阻擋惡意套件,減少供應鏈攻擊風險,提升開發者安全體驗。

6月8日週一
6月5日週五
6月4日週四
  1. Cognition / Devin Blog61

    以人力等價時間衡量 Devin:評估自動化 AI 軟體工程師的生產力

    Devin 是 Cognition 開發的自動化程式設計代理,本文介紹瞭如何用人力等價時間衡量其產出,並提供了一套自動化估算模型。 - 核心方法:先分類工作是否有實際價值,再用估算代理推算同等人力工時,模型在 233 個驗證樣本上達到 rlog 0.74。

    推薦理由:文章闡述如何以人力等價時間衡量自動化程式設計代理的實際產出,對於評估 AI 投資效益與調整資源配置具有參考價值。

  2. LMSYS Org Blog74

    NVIDIA Nemotron 3 Ultra 開放下載,SGLang 和 Miles 同步支援

    AI 助理要長時間分步完成工作,得能持續推理、使用工具,也要讀懂大量資料。NVIDIA 推出 Nemotron 3 Ultra,並宣佈 SGLang 和 Miles 從首日就支援:開發者可用 SGLang 執行模型,也能用 Miles 進行強化學習訓練。模型有 550B 個引數、最多 1M tokens 的上下文視窗,提供 BF16 和 NVFP4 版本。團隊也在 128 張 H200 GPU 上跑過訓練流程;這些是初步檢查,並非已收斂的訓練結果。

    推薦理由:Nemotron 3 Ultra 同時提供模型推論與後訓練支援,文中也交代長時間多步任務的設計,以及 128 張 H200 GPU 的訓練初步檢查結果。

6月2日週二