最新

图像生成模型有所改进，但我错过了了解“如何”的机会。请帮我梳理一下。有没有关于这两个曾经的难题是如何被解决的相关出版物或文章？

τ-Bench 是一个开放基准，用于评估 AI 智能体在有可验证结果的、基于现实世界的、多轮客户服务任务上的表现。自发布以来，看到社区采用它，我们感到非常高兴——这是第三次迭代。通过 τ³-Bench，我们将其扩展到两个新的场景：知识密集型检索和全双工语音。 τ-Knowledge：智能体必须浏览约 700 份相互关联的政策文件，以完成多步骤任务。最佳前沿模型（GPT-5.2，高推理能力）的完成率约为 25%。令人惊讶的是：即使你向模型提供了它所需的精确文件，性能也仅达到约 40%。我们发现瓶颈不在于检索——而在于对复杂、相互关联的政策进行推理，并按正确的顺序执行正确的操作。 τ-Voice：相同的基于现实世界的任务，但通过具有真实音频的实时全双工语音进行——包括口音、背景噪音、中断、压缩电话线路。在清晰音频条件下，语音智能体的得分是 31–51%，在真实条件下是 26–38%。一个在不同提供商（OpenAI、Gemini、xAI）中都存在的失败模式是：智能体在身份验证过程中误听了姓名或电子邮件，导致后续所有操作失败。 我们还在原始的航空公司、零售和电信领域中加入了 75+ 项任务修复——其中许多是基于社区审计和 PR（包括来自亚马逊和 Anthropic 的贡献）。我们认为基准测试的质量取决于其维护，我们感谢社区对改进它的帮助。 代码和排行榜是开放的——我们欢迎社区提交和反馈。 博客文章（论文、代码、排行榜）：[https://sierra.ai/blog/bench-advancing-agent-benchmarking-to-knowledge-and-voice](https://sierra.ai/blog/bench-advancing-agent-benchmarking-to-knowledge-and-voice)

此集成方案允许使用托管的 Prime Intellect 评估 + 训练管道和 Browserbase 上的无头浏览器基础设施，对浏览器代理进行可扩展的评估和训练，从而利用 LoRA 对浏览器代理进行强化学习训练。

我想，和你们许多人一样，我一直在同时切换多个 Claude Code/Codex 会话，管理多个代码库中的多条工作线和工作树。我希望有一种方法可以轻松管理多条工作线，并减少我需要提供的输入量，从而让这些智能体尽可能地将我从流程的瓶颈中解放出来。因此，我构建了一个用于 AI 编码智能体的编排工具： Optio 是一个开源编排系统，它使用 AI 编码智能体将工单转化为已合并的拉取请求。你只需将其指向你的代码库，它就会处理整个生命周期： - 接收 — 从 GitHub Issues、Linear 中提取任务，或手动创建任务 - 执行 — 为每个代码库启动隔离的 K8s Pod，在 Git 工作树中运行 Claude Code 或 Codex - PR 监控 — 每 30 秒监视 CI 检查、审查状态和合并准备情况 - 自我修复 — 在 CI 失败、合并冲突或审阅者更改请求时自动恢复智能体 - 完成 — 压缩合并 PR 并关闭链接的 issue 关键在于反馈循环。Optio 不仅仅是运行一个智能体就置之不理——当 CI 失败时，它会将失败反馈给智能体。当审阅者请求更改时，评论将成为智能体的下一个提示。它会一直运行，直到 PR 合并或你告诉它停止。 使用 Fastify、Next.js、BullMQ 和 Drizzle on Postgres 构建。随附用于生产部署的 Helm Chart。