Meta发布Muse Spark 1.3模型,现已在AI Gateway上线,提供标准版和贡献者版两种定价。该模型在代理任务和编码方面有所改进,支持100万token上下文,可处理文本、图像和PDF输入。编码时所需轮次更少,冗余内容更少。贡献者版价格更低,但输入输出将用于Meta模型训练。
Z.ai推出GLM 5.3,现已在AI Gateway上线。该模型在复杂软件工程和多步代理任务上优于GLM 5.2,同时输出更少token,并增强漏洞发现能力。它支持1M上下文窗口、128K输出,具备函数调用等功能,可通过统一API使用,无加价和平台费。
Google推出Gemini 3.7 Flash,现于AI Gateway提供,享五折优惠至2026年底。该模型提升软件工程与代理任务性能,减少失败循环,并能从设计稿直接生成应用代码。用户可通过AI SDK设置模型,或配置编码代理使用。AI Gateway提供统一API、成本追踪及优化功能,无加价收费。
本文介绍构建智能代理的六个步骤:1. 定义合理的代理任务;2. 设计明确的操作程序;3. 构建专注关键任务的最小可行产品(MVP);4. 连接并整合数据;5. 测试与迭代以确保准确性;6. 部署、扩展与优化以实现持续改进。这些步骤有助于将构想到实际应用。
OpenAI推出Agents SDK,旨在简化代理任务的编排,解决能力整合的挑战。新API如Responses API及工具(网页搜索、文件搜索)提升代理任务执行效率。通过Python示例,展示了代理在多语言处理和任务分配中的应用,改善用户体验。
本研究评估大型语言模型(LLM)代理的自我推理能力,填补了代理任务研究的空白。通过考察自我修改和知识寻求等情境,发现只有前沿模型具备此能力,且高度依赖上下文。未来模型的提升可通过评估测量实现。
本文探讨了大型语言模型(LLM)在代理任务中的应用,比较了其与传统人工智能代理在自然语言处理和推理能力方面的优势。研究提出了AgentTuning方法,以提升LLM的代理能力,并介绍了一个综合框架来增强任务规划和工具使用能力。实证研究展示了LLM在复杂环境中的潜力,强调了其在自动化生产系统中的应用及未来发展方向。
本研究探讨了视觉和语言推理的相互作用,评估了 Vision-and-language 模型对于空间理解的忠实度,并设计了代理任务来训练模型,取得了显著的表现改善。
通过替换原始帧为语义分割地图,我们引入了从单帧进行未来视频预测的代理任务,克服了学习长动态模式的挑战,并在基准数据集上展示了其有效性和优越性。
完成下面两步后,将自动完成登录并继续当前操作。