کدکس(Codex)

Tool Recommendation for Multi-Step Agents: Finding Every Tool a Task Needs

خلاصه‌ی فارسی هنوز نوشته نشده است.

From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents (CDSE)

مسئله: ایجنت‌هایی مثل کلاد کد و کدکس می‌توانند اسکیل داشته باشند: پوشه‌ای با دستورالعمل و اسکریپت که ایجنت هر وقت لازم شد بازش می‌کند. روش‌های فعلی این اسکیل‌ها را خودکار و از روی اجراهای قبلی بهتر می‌کنند، اما کل اسکیل را یک فایل یکپارچه می‌بینند. در حالی که

HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents

مسئله: ایجنت‌های کدنویسی خوب یاد گرفته‌اند تستِ شکسته را بخوانند، علتش را پیدا کنند و کد را درست کنند. سؤال این مقاله این است: اگر همین ایجنت به‌جای کامپیوتر یک ربات دوبازو را کنترل کند، تا کجا جلو می‌رود و دقیقاً کجا گیر می‌کند؟ روش: هارنس عمداً «نازک» نگه دا

TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents

مقاله‌ی TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents (15 Oct 2026، آرون لی و همکاران، از جمله یون استویکا، بین یو و جیان‌فنگ گائو) مسئله: ایجنت‌های کدنویسی مثل کلاد کد، کدکس و کوپایلت CLI گران شده‌اند و بخش بزرگی از این هزینه تکر

Learning to Steer LLM Agents and Multi-Agent Systems

ایجنت ناظری که وسط کار تشخیص می‌دهد سیستم از هدف دور شده و آن را برمی‌گرداند

ایجنت‌ها و سیستم‌های چندایجنتی در کارهای طولانی با ابزار، کم‌کم از هدف اصلی دور می‌شوند؛ مثلاً در یک جست‌وجو آن‌قدر دنبال یک جزئیات فرعی می‌روند که سؤال اصلی فراموش می‌شود. به این «رانش هدف» می‌گویند و هم منابع را هدر می‌دهد و هم نتیجه را خراب می‌کند. برنامه‌ر

Priming Base Models for Agentic Post-Training: An Open Midtraining Recipe

دستور باز انویدیا برای «میان‌آموزش»: آماده کردن مدل پایه برای آموزش ایجنتی

مدل‌های پیشرو حالا بین پیش‌آموزش و پس‌آموزش یک مرحله‌ی «میان‌آموزش» دارند، اما تقریباً چیزی درباره‌ی نحوه‌ی ساختنش منتشر نشده است. پیش‌آموزش معمولاً با کانتکست کوتاه انجام می‌شود و تقریباً هیچ تعامل ایجنتی نمی‌بیند. داده‌ی آموزش نظارت‌شده هم بیشتر ساختگی است،

Probe-and-Resume: When and How to Evaluate Agent Execution

داور ایجنت ترمینال را فقط وقتی صدا بزن که ایجنت می‌گوید کار تمام شد، و به او یک کپی از سیستم بده

جست‌وجو در زمان اجرا می‌تواند کارایی ایجنت را بالا ببرد: چند عمل جایگزین امتحان می‌شود و یک «داور» شاخه‌های امیدوارکننده را انتخاب می‌کند. اما در محیط‌های ترمینال، ایجنت فقط بخش کوچکی از وضعیت بزرگ سیستم را می‌بیند. نویسنده‌ها دیدند جست‌وجوی درختی مونت‌کارلو ک

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

پلتفرم بازی برای ارزیابی و آموزش ایجنت‌های رابط گرافیکی در موبایل، کامپیوتر و وب

یادگیری تقویتی برخط با پاداش قابل بررسی، در ریاضی، کدنویسی و کار با ابزار پیشرفت سریعی آورده، اما گسترش آن به ایجنت‌های رابط گرافیکی سخت است: محیط‌های تعاملی گران‌اند و تسک‌های آموزشی واقع‌گرا کم‌اند. کارهای قبلی اپ و تسک تازه ساخته‌اند ولی نه کد آموزش را منتش

TextualRL: Textual Reinforcement Learning for Context Management

یادگیری تقویتی متنی: بهبود کانتکست ایجنت با مقایسه‌ی گروهی اجراهای موفق و ناموفق، بدون گرادیان

ایجنت‌ها می‌توانند با بازنویسی کانتکست متنی‌ای که رفتارشان را هدایت می‌کند، بدون تغییر پارامترها به بازخورد تسک واکنش نشان دهند. اما تبدیل پاداش اجرا به به‌روزرسانی قابل استفاده‌ی دوباره سخت است: یک مسیر تنها شواهد مقایسه‌ای کمی درباره‌ی این‌که چه چیزی باید عو

AM-Bench: Understanding Agents under Task Underspecification across Models and Harnesses

ایجنت‌ها با تسک‌های مبهم یا ناقص چه می‌کنند؟ بنچمارکی روی ترکیب‌های مختلف مدل و هارنس

تعریف مبهم یا ناقص تسک هم اجرا را برای ایجنت سخت می‌کند و هم پرسیدن سؤال روشن‌کننده را. اما واکنش ایجنت‌ها به این شکاف‌های اطلاعاتی در مدل‌ها و هارنس‌های مختلف به‌خوبی شناخته نشده است؛ مثلاً اگر کاربر نگوید خروجی باید با چه قالبی ذخیره شود، ایجنت می‌پرسد، حدس

Harness^2: Recursive Agent Harnessing for an Open World

هارنس‌سازی بازگشتی برای جهان باز: بهبود هارنس ایجنت بدون تأییدکننده‌ی مرجع

توانایی ایجنت‌ها نه فقط به مدل بلکه به هارنس اجرایی‌شان هم بستگی دارد، و خودبهبودی بازگشتی راهی برای تکامل خودکار این هارنس‌هاست. اما در جهان باز دو چالش هست: تسک‌ها در زمان طراحی هارنس دیده نشده‌اند و تأییدکننده‌ی مرجعی برای هدایت ویرایش‌های آنلاین هارنس ندار

AgentSWE: Can Coding Agents Build the Agent You Actually Want?

آیا ایجنت‌های کدنویسی می‌توانند ایجنتی را که واقعاً می‌خواهید بسازند؟ فاصله‌ی بین نمایش و تحویل

ایجنت‌های کدنویسی بیشتر مأمور ساختن ایجنت‌هایی برای گردش کار کاربرانشان می‌شوند. این واگذاری فرض می‌کند ایجنت تحویلی واقعاً نیازی را که برایش ساخته شده برآورده می‌کند، نه این‌که فقط ظاهرش این‌طور باشد. هیچ بنچمارکی این فرض را نمی‌آزمود. بنچمارک AgentSWE سه مرح

LongHarness: Advancing Agentic Reasoning over 100M-Token Corpora via Stateful Evidence Management

هارنس استدلال روی مجموعه‌های ۱۰۰ میلیون توکنی با مدیریت صریح وضعیت شواهد و نتیجه‌ها

استدلال روی مجموعه‌های سند بزرگ‌تر از پنجره‌ی کانتکست نیاز دارد ایجنت شواهد را از اسناد زیادی جمع و ترکیب کند. هارنس‌های موجود دسترسی تدریجی می‌دهند، اما شواهد جمع‌شده و نتیجه‌های در حال تحول در تاریخچه‌ی رو به رشد تعامل در هم می‌پیچند. این مدیریت ضمنی وضعیت د

SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments

ساخت خودکار ۱۸۲ نرم‌افزار دسکتاپ تست‌شده برای آموزش ایجنت‌های کار با کامپیوتر

ایجنت‌های کار با کامپیوتر سریع بهتر می‌شوند، اما ساختن محیط‌های نرم‌افزاری متنوع و قابل اعتماد در مقیاس سخت است. محیط‌های برنامه‌ی واقعی تلاش ساخت و یکپارچه‌سازی زیادی می‌خواهند و پوشش برنامه‌ها را محدود می‌کنند و خطر بیش‌برازش روی برنامه‌های خاص را بالا می‌بر

SWE-Duel: Towards a Self-Scaling Arena for Coding Agents

میدان دوئل مهندسی نرم‌افزار: بنچمارکی خودمقیاس که در آن ایجنت‌های کدنویسی برای هم باگ می‌کارند و رفع می‌کنند

بنچمارک‌های ثابت کدنویسی در لحظه‌ی انتشار منجمد می‌شوند؛ با گذر زمان تسک‌هایشان به داده‌ی آموزشی نشت می‌کند و ایجنت‌های قوی‌تر اشباعشان می‌کنند. نویسنده‌ها استدلال می‌کنند بنچمارک باید خودمقیاس باشد: تسک‌ها و داورها در زمان ارزیابی ساخته شوند تا چیزی از قبل بر

ARC: A Reasoning Recipe for Robot Foundation Models

آرک: دستورالعمل استدلال برای مدل‌های پایه‌ی رباتیک که بدون داده‌ی رباتیک تازه کارایی را جهشی بالا می‌برد

رویکرد رایج برای بهتر کردن مدل‌های پایه‌ی رباتیک، مدل بزرگ‌تر، نمایش‌های رباتیک بیشتر و آموزش پرهزینه در مقیاس بالاست. جمع کردن نمایش رباتیک گران و کند است، پس سؤال این است که آیا می‌شود کارایی بدون آموزش ربات‌های موجود را بدون داده‌ی تازه بالا برد. دستورالعمل

A Closer Look at Agentic BBO: Benchmarking LLM Agents for Black-Box Optimization

نگاهی دقیق‌تر به بهینه‌سازی جعبه‌سیاه ایجنتی: بنچمارکی میان‌دامنه‌ای برای ایجنت‌های بهینه‌ساز

بهینه‌سازی جعبه‌سیاه در بسیاری از مسئله‌های علمی و مهندسی پیش می‌آید که هر ارزیابی هدف گران و محدود است، مثل تنظیم پایگاه داده یا طراحی تراشه. ایجنت‌های مدل زبانی با ترکیب معنای تسک، محاسبه، ابزارهای بهینه‌سازی و تصمیم‌گیری مبتنی بر بازخورد راه تازه‌ای پیشنهاد

SuperNav: An Agentic Navigation System for Any Task in Any Scene

سوپرنو: سیستم ناوبری ایجنتی برای هر تسک در هر صحنه، بدون تنظیم دقیق مدل برای ناوبری

ربات‌های خدماتی همه‌منظوره به ناوبری نیاز دارند که درخواست‌های متنوع انسانی را در محیط‌های ناآشنا انجام دهد، مثلاً «برایم یک لیوان آب بیاور» در خانه‌ای که ربات ندیده است. بعضی روش‌ها مدل‌های زبانی چندوجهی را برای پیش‌بینی اقدام ناوبری تنظیم دقیق می‌کنند، که رف

Skill Constellations: Tracing the Supply Chain of Agent Skills on GitHub

صورت‌های فلکی مهارت: ردیابی زنجیره‌ی تأمین مهارت‌های ایجنت در گیت‌هاب

مهارت‌های ایجنت دستورها و اسکریپت‌هایی‌اند که ایجنت‌های کدنویسی مثل Claude Code و Codex با مجوزهای کاربرشان اجرا می‌کنند. توسعه‌دهندگان مهارت‌ها را با کپی بین مخزن‌ها به اشتراک می‌گذارند، پس یک زنجیره‌ی تأمین نرم‌افزاری بدون رجیستری، نسخه و منشأ شکل گرفته است.

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models

پیش از آن‌که بتوانند حل کنند: پیش‌بینی کارایی ایجنت کدنویسی پس از آموزش، از روی مدل پایه

کدام نسخه‌ی پایه ارزش یک دور گران پس‌آموزش ایجنتی را دارد؟ معیار سرتاسری pass@K می‌سنجد آیا رفتار موفق در توزیع مدل پایه هست، اما برای کدنویسی ایجنتی مناسب نیست، چون بسیاری از مدل‌های پایه حتی نمی‌توانند فراخوانی ابزار درست‌قالب تولید کنند. تسک‌های تک‌مرحله‌ای

When Sub-Agents Work in Parallel: The Promises and Pitfalls of Dynamic Concurrency in Long-Horizon Coding Tasks

وقتی زیرایجنت‌ها موازی کار می‌کنند: نویدها و دام‌های هم‌روندی پویا در تسک‌های کدنویسی بلندمدت

با پیشرفت ایجنت‌های کدنویسی از تسک‌های محدود به توسعه‌ی بلندمدت، هم‌روندی پویا راهی برای بزرگ کردن کارهای پیچیده است: ایجنت حین اجرا تصمیم می‌گیرد آیا و چطور زیرایجنت‌های هم‌زمان بسازد. در تسک‌های کوتاه توان مدل نتیجه را تعیین می‌کند، اما در توسعه‌ی طولانی هما

AgentTime: Can Agents Estimate and Control Their Own Runtime?

ایجنت‌تایم: آیا ایجنت‌ها می‌توانند زمان اجرای خودشان را تخمین بزنند و کنترل کنند؟

یکی از کنترل‌های اساسی ایجنت‌ها توانایی مدیریت زمان اجراست، که نیاز به آگاهی زمانی دارد: پیش‌بینی و تخمین زمان واقعی و کنترل اقدام‌های خود. کارهای قبلی روی آگاهی زمانی تمرکز داشته‌اند، اما پیروی از مدت درخواستی و کنترل در هارنس‌های بومی ایجنت بررسی نشده است؛ م

Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?

بنچمارک یادبگیر و بازی کن: ایجنت‌ها در محیط‌های ناآشنا چقدر خوب از تجربه یاد می‌گیرند؟

یادگیری از تجربه برای سازگاری ایجنت‌ها با محیط‌های ناآشنا و پویا ضروری است. بنچمارک‌های موجود عمدتاً تسک‌هایی را می‌سنجند که قاعده‌هایشان در دستور آمده یا برای مدل پیش‌آموزش‌دیده آشناست، پس نمی‌شود یادگیری از تعامل را از استدلال با دانش موجود جدا کرد؛ مثلاً ای

What Did the Agent Actually Do? Evidence-Grounded Oversight for Long-Horizon Agents

ایجنت واقعاً چه کرد؟ نظارت مبتنی بر شواهد برای ایجنت‌های بلندمدت

با سپردن تسک‌های طولانی به ایجنت‌ها، کاربران از تصمیم‌گیری تک‌تک به نظارت بر اجرای مستقل می‌رسند. اما حجم فعالیت ایجنت و پراکندگی شواهد پشتیبان تشخیص این‌که کدام تصمیم‌ها ارزش تأیید کاربر را دارند سخت می‌کند؛ مثلاً ایجنت در میان صدها گام بی‌صدا یک نسخه‌ی کتابخ

MemTrace: State-Consistent Memory for Long-Horizon Coding Agents

مم‌تریس: حافظه‌ی سازگار با وضعیت برای ایجنت‌های کدنویسی بلندمدت

وقتی ایجنت‌های کدنویسی تسک‌های تکامل نرم‌افزار در چند فایل و مرحله را انجام می‌دهند، دو چالش به هم گره‌خورده پیش می‌آید: تاریخچه‌ی انباشته بودجه‌ی کانتکست را فشار می‌دهد، و تغییرات مخزن می‌تواند شواهد اجرای قبلی را بی‌اعتبار کند؛ مثلاً نتیجه‌ی تستی که پیش از و

AutoCompact: Learning When to Compact Context in Long-Horizon Coding Agents

اتوکامپکت: آموزش ایجنت کدنویسی برای تصمیم درباره‌ی زمان فشرده‌سازی کانتکست

ایجنت‌های کدنویسی تسک‌های مهندسی نرم‌افزار در سطح مخزن را با مسیرهای طولانی بررسی کد، جست‌وجو، ویرایش و تست حل می‌کنند. با پیشرفت تسک، کاوش‌های قبلی کهنه می‌شوند، پس مدیریت کانتکست فقط جلوگیری از سرریز نیست: ایجنت باید تصمیم بگیرد کِی فشرده کند، کدام وضعیت کار

Finding the Right Fit: Model-Harness Interactions across Agent Tasks

پیدا کردن جفت مناسب: تعامل مدل و هارنس در تسک‌های ایجنتی

انتخاب یک سیستم ایجنتی یعنی انتخاب هم مدل زبانی و هم هارنسی که مدل از طریق آن عمل می‌کند. سؤال این است که آیا یک مدل، هارنس یا جفت قوی وقتی شرایط عوض می‌شود قوی می‌ماند یا نه. نویسنده‌ها ۶۶ پیکربندی را ارزیابی کردند: چهار هارنس قابل پیکربندی، یعنی OpenHands، D

Persistent Context Graphs for Efficient Memory Compaction in LLM Agents

گراف‌های کانتکست پایدار برای فشرده‌سازی کارآمد حافظه در ایجنت‌ها

تاریخچه‌ی رو به رشد تعامل ایجنت‌ها فشرده‌سازی حافظه را برای ماندن در پنجره‌ی کانتکست و کاهش هزینه‌ی پیش‌پرکردن ضروری می‌کند. روش‌های موجود تاریخچه را خلاصه یا حافظه‌ی کلید و مقدار را فشرده می‌کنند و اغلب محاسبه‌ی مدل اضافه می‌کنند. یک درخواست جدید کاربر می‌توا

Scale and Selection: What Makes Automatic Harness Evolution Work for Visual-Interface Robot Agents

مقیاس و انتخاب: چه چیزی تکامل خودکار هارنس را برای ایجنت‌های رباتیک با رابط بصری کارآمد می‌کند

وقتی یک ایجنت کدنویسی آماده مستقیم به عنوان سیاست ربات به کار می‌رود، یعنی یک رابط سه‌بعدی مرورگری را با اسکرین‌شات می‌بیند و با چند ابزار یک گیره‌ی مجازی هدف را جابه‌جا می‌کند، هارنس آن، یعنی پرامپت‌ها، ابزارها و قاعده‌های کنترل، تا حد زیادی موفقیت را تعیین م

OpenCollab: A Multi-Agent Coding Framework with Programmable Collaboration and Controllable Runtime

اوپن‌کولب: چارچوب کدنویسی چندایجنتی با همکاری برنامه‌پذیر و زمان اجرای کنترل‌پذیر

سیستم‌های کدنویسی چندایجنتی برای حل تسک‌های پیچیده‌ی مهندسی نرم‌افزار با همکاری طراحی شده‌اند، اما ارزیابی‌های موجود فرض می‌کنند سازمان پیکربندی‌شده وفادارانه اجرا می‌شود، در حالی که واقعیت فرق دارد؛ مثلاً ایجنت بازبین ممکن است اصلاً کد را بازبینی نکند. این شک

SCLATE: a Substrate for Continual-Learning Agent Training and Evaluation

اسکلیت: بستری برای آموزش و ارزیابی ایجنت‌های یادگیری پیوسته در افق‌های چندجلسه‌ای

ایجنت‌های یادگیری پیوسته سیستم‌هایی از مدل، هارنس و حافظه‌اند که در افق‌های طولانی چندجلسه‌ای کار می‌کنند. ارزیابی و آموزششان نیاز دارد تسک‌ها با رویدادهای سمت ایجنت مثل توقف و شروع جلسه، کارهای زمان‌بندی‌شده و یکپارچه‌سازی حافظه درهم اجرا شوند. اما بنچمارک‌ها

CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents

کلیف‌کامپکشن: فشرده‌سازی کم‌هزینه برای ایجنت‌های کدنویسی بلندمدت

ایجنت‌ها اغلب روی مسائل پیچیده‌ای کار می‌کنند که میلیون‌ها توکن کانتکست لازم دارند و به دلیل پنجره‌ی کانتکست محدود باید بین جلسه‌ها فشرده‌سازی کنند. فشرده‌سازی‌هایی که محتوا را بازنویسی می‌کنند ممکن است با هر دور اطلاعات را تحریف کنند و رانش کانتکست انباشته شو