DiscoveryRSI: Recursively Learning to Discover Valuable Hypotheses
خلاصه‌ی فارسی هنوز نوشته نشده است.
محصول
محصولGPT-6
۱۲ مقاله که به این محصول مربوط است. جستجو و فیلتر در همین فهرست
اکتبر ۲۰۲۶۱۲ مقاله
OfficeTown: Generative Organizations for Evolving Agent Intelligence
مقاله‌ی OfficeTown: Generative Organizations for Evolving Agent Intelligence (16 Oct 2026، مایکروسافت ریسرچ آسیا؛ Hongchen Wei، Daohong Ying و همکاران) مسئله: بیشتر بنچمارک‌های ایجنت هر کار را جدا و از صفر می‌دهند. در یک شرکت واقعی کار این‌طور پیش نمی‌رود: درخ
OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use
یک پشته‌ی کاملاً باز برای ایجنت‌هایی که با کامپیوتر کار می‌کنند، با ترکیب کلیک و کد
ایجنت‌های کار با کامپیوتر دارند از تعامل صرفاً گرافیکی (دیدن صفحه و کلیک) به سیستم‌هایی می‌رسند که هم از رابط تصویری و هم از رابط برنامه‌نویسی استفاده می‌کنند. اما پیاده‌سازی‌های پیشرو، مثل سیستم کار با کامپیوتر GPT-6 Astra، بسته‌اند و نمی‌شود طراحی‌شان را به
Same Context, Different Agents: A Behavioral Study of Semantic Layers, Orchestration and Compaction in Data Agents
یک تکنیک مهندسی کانتکست برای یک ایجنت نجات‌بخش است و برای ایجنت دیگر مضر
جواب دادن به سؤال روی داده‌های ناهمگون یعنی ترکیب شواهد از فایل‌ها، پایگاه داده، اسناد و وب. ایجنت‌های داده این کار را خودکار می‌کنند و موفقیتشان به کانتکست بستگی دارد. سه تکنیک مهندسی کانتکست رایج‌اند: «لایه‌ی معنایی» که داده را توصیف می‌کند، «ارکستراسیون» که
Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards
ساخت محیط‌های طولانی با پاداش پیشرفت متراکم، از روی یک «جهان پنهان» کاملاً مشخص
ایجنت‌های طولانی‌مدت که ساعت‌ها تا روزها روی کار ارزشمند کار می‌کنند، توجه زیادی گرفته‌اند، ولی مدل‌های متن‌باز در این کارها ضعیف‌اند، عمدتاً به خاطر نبود داده‌ی آموزشی و دستور آموزش کارآمد. تسک‌های طولانی و پیچیده سخت ساخته و تأیید می‌شوند و پاداششان پراکنده
BrickBench: Evaluating Agentic Brick Design
بنچمارک آجر: سنجش ایجنت‌ها در طراحی مجموعه‌های لگو که هم با توصیف بخوانند و هم واقعاً ساختنی باشند
طراحی یک مجموعه‌ی لگو از روی متن فقط شبیه کردن ظاهر نیست: ایجنت باید از یک کتابخانه‌ی گسسته‌ی قطعه‌ها انتخاب کند و هم‌زمان قیدهای محلی و سراسری را رعایت کند تا سازه از نظر فیزیکی ساختنی باشد. مثلاً «یک گاوچران سوار اسب کنار کاکتوس» باید هم شبیه توصیف باشد و هم
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
TRACE: Diagnosing Verifier Brittleness in Agentic Evaluation
تریس: تشخیص شکنندگی تأییدکننده در ارزیابی ایجنت‌ها، تا معلوم شود تغییر امتیاز از ایجنت است یا از سنجش
امتیاز تأییدکننده‌ها هم معیار بنچمارک است و هم پاداش آموزشی ایجنت‌ها، و تغییر امتیاز معمولاً تغییر توانایی خوانده می‌شود. اما ممکن است فقط تغییر در خود ارزیابی باشد؛ مثلاً اگر فقط نام ابزارها عوض شود و امتیاز افت کند، ممکن است قاعده‌ی امتیازدهی به نام‌ها حساس
Long-WAM: Scaling the Context of World-Action Models
لانگ‌وام: بزرگ کردن کانتکست مدل‌های جهان و اقدام برای کنترل بلادرنگ ربات
کنترل بلادرنگ ربات به تاریخچه‌ی بصری کافی برای استنتاج حرکت و پیشرفت تسک نیاز دارد، اما پردازش این تاریخچه می‌تواند اقدام را به تأخیر بیندازد. مثلاً ربات برای گرفتن لیوانی که حرکت می‌کند باید چند ثانیه‌ی گذشته را ببیند، ولی نباید برای فکر کردن دیر واکنش نشان د
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
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