norgitov/ trends
Технологии · люди · идеи
RSS
RUEN
К обзору/Daily Papers9 часов назад
ИсследованияDaily Papers

Масштабирование агентных данных для долгосрочной терминальной интеллектуальности

В статье представлен TerminalHorizon — автоматическая система синтеза данных для агентов с долгосрочными целями. Создано 1,5 тыс. сред для задач, и модель Qwen3.5-27B была дообучена на этом наборе данных, что привело к улучшению производительности на различных тестах. Модель показала способность к экспериментам, улучшению методов и сохранению эффективных улучшений в итоговых результатах.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
103
голосов источника
Наблюдаем с13 октября 2026 г.103 голосов источника

Этот источник давно не обновлялся. Время замера указано выше.

Темп интереса+5,93/hпо замерам за 3,03 h
Опубликовано9 октября 2026 г.Shun Zou, Ziyu Ma, Yi Zou
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

График появится после повторных замеров. Текущий показатель уже получен из источника.

103 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

TerminalHorizon-27B может быть использован для улучшения автономного выполнения задач в реальных профессиональных условиях за счёт повышения способности агента исследовать, корректировать стратегии и улучшать методы на основе обратной связи.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily Papers

Могут ли ИИ-агенты достичь вершины? Оценка эвристического обучения в долгосрочной гонке агентов

В исследовании рассматривается подход Adversarial Heuristic Learning (AHL), который использует ИИ-агентов для улучшения игровых стратегий при фиксированных весах моделей. Был создан набор данных AAArena, включающий 12 игр и 1920 архивных программ, с оценкой, имитирующей реальные соревнования. Результаты показывают, что агенты могут улучшать свои стратегии, но сталкиваются с трудностями в сложных играх.

5 дней назадDaily Papers

AgentSWE: Могут ли кодирующие агенты создать агента, который вам действительно нужен?

В исследовании представлено тестирование AgentSWE, которое оценивает способность кодирующих агентов создавать агентов, соответствующих требованиям пользователей. Исследование показало, что существующие агенты не могут точно выполнить поставленные задачи, поскольку между демонстрацией и реальным результатом существует значительный разрыв.

4 дня назадDaily Papers

S-Space: Исследование пространственного рабочего пространства в мультимодальных языковых моделях

В статье представлена S-Space — линейное подпространство в мультимодальных языковых моделях, где представления объектов кодируют непрерывные пространственные координаты. Показано, что S-Space служит внутренним рабочим пространством для пространственного рассуждения, позволяя точно оценивать пространственные отношения через восприятие, внутренние рассуждения и выборочный доступ через речь, при этом выявляя ограничения в пространственных преобразованиях при смене точки зрения.

4 дня назадDaily Papers

VIS-Ground: Видеоинтерактивное повествование с контекстуальным заземлением

VIS-Ground — это подход, который преобразует разнородный входной контекст в модель выполнимых ограничений для генерации видео, используя структурированное абстрагирование контекста, индукцию ограничений генерации и управляемую генерацию видео. Метод показывает улучшение в сравнении с существующими системами.

6 дней назадDaily Papers

Tetris3D: Генерация 3D-сцен с объектами, совместимыми друг с другом

Tetris3D — это генеративная система восстановления 3D-сцен по одному изображению, обеспечивающая геометрическую и физическую согласованность объектов. Она использует явное условие на геометрию окружающих объектов и их физические отношения, а также физически основанный набор данных ComOb для обучения и оценки.

6 дней назадDaily Papers

Многострочные внимательные остатки

Многострочные внимательные остатки (MSAR) — это расширение метода AttnRes, которое обобщает механизм внимания на многоголовую глубину, обеспечивая значительные улучшения производительности с минимальными дополнительными затратами. MSAR использует многошкальные причинные свертки для получения разнообразия потоков из последовательности, позволяя разным головкам получать исторические представления через различные контекстные виды.

4 дня назад