لابراتوار
۵ مقاله که به این لابراتوار مربوط است. جستجو و فیلتر در همین فهرست
چهار ایجنت جمنای ۴ آرگون بازی ماینکرفت را از صفر تا شکست اژدها تمام کردند
ایجنت‌های امروزی در کارهای کوتاه خوب‌اند، اما کارهایی که هزاران قدم وابسته به هم دارند و بیش از یک روز طول می‌کشند هنوز سخت‌اند. تمام کردن ماینکرفت در حالت بقا یک آزمون روشن از همین توانایی است: باید منابع جمع کرد، ابزار ساخت، به بُعد دیگری رفت و در آخر اژدهای
مقاله‌ی DuoDiscover: Scaling Autonomous Discovery Beyond the Evaluation Bottleneck (12 Oct 2026، گوگل با دانشگاه‌های برکلی و استنفورد؛ از جمله یون استوئیکا و توماس فیستر) مسئله: وقتی به ایجنت کدنویس می‌گویی کدی را سریع‌تر کند، مثلاً یک کرنل جی‌پی‌یو یا موتور س
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
تکامل تکامل‌دهنده: هم‌تکاملی وزن‌های مدل و هارنس ایجنت در خودبهبودی
ایجنت‌های خودتکامل برای بهتر کردن سیستم‌های مدل زبانی بدون دخالت انسان یا وزن‌ها را به‌روز می‌کنند یا هارنس را. روش‌های موجود این دو را جدا دنبال می‌کنند: بعضی وزن‌ها را با تجربه‌ی خودساخته آموزش می‌دهند، بعضی هارنسی را که تعیین می‌کند ایجنت چطور از پرامپت، اب
گرفتن توسعه‌دهنده در جریان کار: تعمیر ایجنتی کم‌تأخیر برنامه در مقیاس گوگل
تعمیر دستی خطاهای برنامه وقت‌گیر است و تمرکز توسعه‌دهنده را می‌شکند، به‌ویژه در مرحله‌ی پیش از ثبت تغییر که تست‌ها در سیستم یکپارچه‌سازی پیوسته شکست می‌خورند. روش‌های پیشرفته‌ی تعمیر خودکار عمدتاً روی گردش‌کار پس از ثبت و به‌صورت آفلاین کار می‌کنند و قید تأخیر