⌘ K
… 读取采集状态 同步中...
雷

Agent 智能体

让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。

686条精选相关主题MCP 与工具调用AI 编码推理能力

最新精选

第 341–360 条 · 共 686 条
9月13日周日
  1. 新智元72

    GPT-6 Astra 在 Vending-Bench 2 中成绩超越 Claude Fable 5.1

    Andon Labs 发布的 Vending-Bench 2 测试结果显示，GPT-6 Astra 在模拟经营一年的自动售货机任务中平均最终余额为 15,515 美元，约为 Claude Fable 5.1 的 3 倍。测试表明 Astra 在价格谈判和供应商状态检查等长期执行环节更具稳定性，未出现类似对手的预付款损失，且在多人竞技环节中坚持独立定价策略并赢下全部 3 轮比赛。

    推荐理由：结果展示了模型在长周期模拟环境中维持决策一致性的能力差异，为理解 Agent 可靠性提供了具体参照。

  2. 深度学习与NLP88

    OpenAI 宣称用未发布模型与万个 Agent 解决纳维-斯托克斯方程

    OpenAI 宣布使用一款未公开的内部模型及约 10000 个并发协作的 AI Agent，耗时 88 小时解决纳维-斯托克斯方程存在性与光滑性问题，并同步开源了配套的 Lean 形式化验证代码。文章指出该成果源于 OpenAI 团队拆分不同小组探索解题方向，利用缓存互联网和代码运行环境交换信息；同时披露了该过程中发生的与第三方数学家的数据归属争议，以及对前沿模型评测安全措施的持续关注。

    推荐理由：OpenAI 使用内部模型和万个 Agent 宣称解决纳维-斯托克斯方程，文章梳理了技术路径及由此引发的数据归属争议。

9月12日周六
  1. Datawhale86

    OpenAI 内部 RSI 进展报告：Agent 承担 75% 工时，长任务自主率显著下滑

    OpenAI 发布技术测量报告《研究加速》，披露内部 Agent 工时已达人类研究员 3.1 倍，接管 75% 实际工时。实测数据显示，15 分钟内短任务 Agent 自主完成率约 76%，但 32 至 64 小时长任务自主率降至 16%。报告同时指出，决策规划环节 Agent 参与度极低，且底层排障已被 Agent 全面接管，但顶层研究方向仍由人类全权把控。

    推荐理由：该报告实测量化了 Agent 在科研工时与执行层的占比及成功率，为评估 RSI 落地效果与自动化边界提供了关键基准。

  2. 量子位73

    浙大ZJU-REAL团队开源可插拔Agent评测底座ageval

    浙江大学ZJU-REAL团队开源了Agent评测框架ageval，实现了Agent与运行环境的插件化解耦，支持本地复盘到云端协作的全链路工作流。框架提供CLI与配套Skills，允许编码Agent自主编写benchmark、迁移测试集并执行评测，并配套公开Leaderboard与Agent/Models市场以实现资产复用与模型横向比对。

    推荐理由：展示了基于插件契约解耦环境与时序运行的框架，支持从本地到云端的自动化评估工作流。

  3. 硅星人Pro88

    OpenAI 发布 Agents API，将 Codex 拆解为云端托管服务

    OpenAI 正式开放 Agents API 公测，将 Codex 核心能力转化为云端托管服务，开发者只需配置任务、模型、工具和运行环境即可创建 Agent。该架构通过解耦 Harness 托管与执行环境，使开发者可选择 OpenAI 沙盒或第三方基础设施运行。

    推荐理由：文章梳理了 OpenAI 将 Codex 从独立产品拆解为平台组件的完整演进路径，并对比了 DeepSeek 与 Anthropic 在 Agent 基础设施层的差异化策略。

  4. 新智元67

    谷歌和Meta模型被指刷榜，Gemini 3.8 Flash在Terminal-Bench 4.0表现暴跌

    分析机构SemiAnalysis指出谷歌的Gemini 3.8 Flash和Meta的Muse Spark 1.3在Terminal-Bench 4.0中成绩大幅下滑，被怀疑通过购买贴近考题的数据进行训练以优化旧榜单表现。文章同时披露了售卖模拟考题的灰色市场现状，以及Datacurve既卖数据又出榜的利益冲突问题。

    推荐理由：揭示了公开评测被商业数据污染的行业现象，展示了新榜单如何修正旧成绩的落差。

  6. APPSO83

    DeepSeek V4.1 Flash 技术解析：CED 架构与 KV cache 压缩如何降低成本

    DeepSeek V4.1 Flash 采用 CED 架构和 CSA2 注意力机制，将每 Token 全局 KV cache 降至 890 字节，在多个 Agent 基准测试上性能反超 Claude Opus-5 和 GPT-5.6 Sol。

    推荐理由：文章拆解了 DeepSeek V4.1 Flash 在 CED 架构和 KV cache 压缩上的工程细节，解释了其如何在参数增加的同时实现速度提升与成本降低。

  7. 深度学习与NLP88

    GPT-6 Astra能力展示与AGI竞赛趋势

    GPT-6 Astra在MazeBench基准测试中取得14%的最高分，并在多模态任务如视频设计零件和3D分子建模中展现新能力。作者据此认为AGI竞赛重点正转向智能自我加速，OpenAI等机构在推动RSI曲线。

    推荐理由：文章借由新案例展示GPT-6 Astra在实际场景中的表现，并提出了关于AGI竞赛转向智能自我加速的行业判断。

9月11日周五
  1. 极客公园78

    蚂蚁集团发布 APASS 基础设施以解决智能体商业交易信任问题

    蚂蚁集团发布 APASS 智能体信任基础设施，构建身份、意图与责任三层核验机制，支持智能体自主交易。该体系通过可信存证与分级风控解决意图偏离风险，已接入超百万 Agent 及 50 余家机构，Alipay+ 正探索国际协议对接。

    推荐理由：该稿结合外滩大会发布背景，拆解了智能体在跨平台交易中身份核验、授权边界及责任追溯的具体机制。

  2. DeepTech深科技77

    豆包工作推出Agent能力，实测支持多Agent并行与云端跨端任务

    豆包正式推出面向工作场景的豆包工作，用户可派发完整任务由Agent拆解、调用工具并交付文档、表格、PPT或网页。实测显示多Agent并行可在约十分钟内完成AI眼镜竞品研究并生成Excel、报告及可交互网页；云端任务支持人离开后持续监控动态，通过手机端中途调整重点并生成晨报；用户可将重复工作流保存为Skill直接复用。

    推荐理由：实测展示了多Agent并行、云端跨端值守和Skill复用机制，读者可判断其如何替代重复流程与持续值守。

  3. AIGC开放社区89

    DeepSeek 发布 V4.1 Flash：支持图片输入、100万 Token 上下文并开放 API

    DeepSeek 于 2026 年 9 月 10 日发布多模态 MoE 模型 V4.1 Flash，同步开放 API 与 MIT 许可证权重。该模型采用 Causal Encoder-Decoder 架构，骨干参数 5520 亿，输入阶段激活约 80 亿、解码阶段激活约 160 亿，支持文本与图片输入，上下文上限 100 万 Token。

    推荐理由：模型卡给出了100万Token上下文、KV Cache压缩比和多项Agentic Benchmark成绩，读者可以据此评估其长任务效率与部署成本。

  5. AI信息Gap82

    DeepSeek V4.1 Flash 与 GLM-5.3-Flash 架构、成本与基准测试对比

    DeepSeek V4.1 Flash 全面超越 V4 Pro，且在 LiveBench 等基准中取得高分，其 Agentic Coding 得分达 77.3，表现优于 GPT-5.6 Sol。该模型采用非对称 CED 架构，通过压缩 KV Cache 降低算力成本，闲时缓存命中价格低至 0.02 元/百万 token。

    推荐理由：原文深度拆解了两款Flash模型在架构、成本及基准测试上的具体差异，为读者提供了横向比较国产多模态大模型的参考依据。

9月10日周四
  1. AGI Hunt77

    OpenAI 1万Agent跑88小时证明纳维-斯托克斯方程后，下一个是室温超导吗

    OpenAI用约1万个agent持续运行88小时，产出纳维-斯托克斯方程的证明及Lean形式化验证，耗费数百万美元算力。作者据此折算等效100年人力工作量，并结合Sam Altman对尝试室温超导的回应及OpenAI数天训练超越GPT-6模型的披露，推演大量智能体长期运行解决有明确验证标准难题的可能性。

    推荐理由：作者引用OpenAI的算力案例并推演数亿Agent协作攻克数学难题的潜在影响，为理解算力扩张与验证门槛的关系提供视角。

  3. 极客公园65

    微信测试小微 AI 社交功能

    微信开始小范围测试「小微 AI 社交」功能，允许用户的小微联系好友的小微，经对方授权后在独立空间先行沟通，需确认时再提醒用户，沟通过程不进入原有微信聊天框。

    推荐理由：原文解析了微信小微功能在熟人关系链中实现AI代理沟通的机制及其对社交产品形态的影响。

  5. 深度学习与NLP78

    OpenMAIC v1.0发布：支持完整课程规划与迭代的开源AI教育智能体

    清华团队开发的开源AI教育项目OpenMAIC升级至v1.0，支持通过Agent完成整门课程的规划、生成与持续迭代。该版本在联合国教科文组织总部进行了演示，展示了如何利用单一教材生成系列课程，并内置多种教学法Skill。OpenMAIC自开源以来GitHub Star数已超3.3万，平台累计消耗883B Token，其核心能力可导出至其他Agent工作台使用。

    推荐理由：展示了OpenMAIC v1.0从课程生成到迭代修改的完整流程，以及其在联合国教科文组织的实际应用场景。

  6. 夕小瑶科技说83

    蚂蚁灵波开源LingBot-World 2.0，1.3B模型实现消费级显卡实时世界生成

    蚂蚁灵波开源LingBot-World 2.0，1.3B版本支持消费级单卡GPU本地实时生成可交互世界。该模型接收相机位姿与文本指令，通过MoBA混合注意力掩码缓解长序列过拟合，并结合DMD蒸馏与流水线生成提升速度与稳定性，论文展示了60分钟连续生成的视觉质量。

    推荐理由：原文结合论文解读与本地实测，揭示了1.3B小模型如何在消费级显卡上维持实时生成与长时稳定性。