arxiv Moonshot AI (arXiv) · 440 hari lalu

Alita memungkinkan penalaran agen yang skalabel dengan minimal pendefinisian awal dan evolusi diri maksimal

Diterjemahkan dari English → Bahasa Indonesia

Para peneliti memperkenalkan Alita, agen umum yang dirancang untuk melakukan tugas kompleks melalui minimal pendefinisian awal dan evolusi diri maksimal, menghindari ketergantungan berat pada alat yang telah didefinisikan secara manual seperti yang ditemukan dalam banyak kerangka kerja yang ada.

Alita hanya menggunakan satu komponen untuk pemecahan masalah langsung guna meningkatkan adaptabilitas dan generalisasi di berbagai domain.
Sistem ini secara otonom membangun, menyempurnakan, dan menggunakan kembali kemampuan eksternal dengan menghasilkan protokol konteks model (MCP) terkait tugas dari sumber terbuka.
Pada dataset validasi benchmark GAIA, Alita mencapai akurasi pass@1 sebesar 75.15% dan pass@3 sebesar 87.27%.
Ia meraih skor pass@1 sebesar 74.00% pada Mathvista dan 52.00% pass@1 pada PathVQA, mengungguli sistem agen yang lebih kompleks.

Pendekatan ini memungkinkan Alita menskalakan penalaran agen secara efektif sambil mempertahankan arsitektur yang lebih sederhana dibandingkan pendekatan berbasis alat sebelumnya yang rumit.

Kepentingan 1/3 Kerangka evaluasi baru dengan pembeda Moonshot AI (arXiv) AI agents Research paper

Benchmark

Benchmark	Model	Skor
GAIA	Alita	75.15%
MathVista	Alita	74%

Artikel terkait

arxiv arXiv cs.AI · 3 hari lalu

Argus: Runtime Agentic Serbaguna untuk Penalaran Jangka Panjang

Para peneliti menyajikan Argus, sebuah runtime agentic yang persisten dan berevolusi secara mandiri, dirancang untuk penalaran jangka panjang yang memisahkan niat pengguna yang stabil dari tujuan operasional. Sistem ini memanfaatkan peran Manajer, Perencana, Insinyur, dan Peninjau untuk menjalankan misi terbatas di atas keadaan proyek yang tahan lama, memungkinkan eksekusi otonom antara titik eskalasi yang dimiliki operator.

media MarkTechPost · 3 hari lalu

SkillOpt dari Microsoft memungkinkan transfer keterampilan agen antara Codex dan Claude Code

Peneliti dari Microsoft, Universitas Shanghai Jiao Tong, Universitas Tongji, dan Universitas Fudan mengembangkan SkillOpt, sebuah pengoptimal ruang teks yang melatih dokumen keterampilan berbasis bahasa alami sambil menjaga model target tetap beku. Sistem ini menggunakan model pengoptimal untuk mengusulkan suntingan terbatas berdasarkan rollout yang dinilai, mengekspor hasilnya sebagai satu file `best_skill.md`.

arxiv arXiv cs.LG · 5 hari lalu · 6 tayangan

Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B

Qwen memperkenalkan Qwen-CUA, agen penggunaan komputer asli yang dibangun di atas backbone mixture-of-experts 397B-A17B yang beroperasi melalui tangkapan layar dan peristiwa input tanpa mengandalkan pohon DOM atau metadata aksesibilitas. Sistem ini memanfaatkan kerangka kerja untuk mempertahankan hingga 20 tangkapan layar aktif dan dilatih menggunakan armada rollout cloud dengan hampir 100.000 vCPU di sekitar 40.000 tugas yang dapat diverifikasi.

arxiv arXiv cs.CL · 5 hari lalu · 4 tayangan

Qwen merilis Qwen-CUA, agen penggunaan komputer asli 397B-A17B

Peneliti telah memperkenalkan Qwen-CUA, agen penggunaan komputer asli yang dibangun di atas backbone campuran-ahli Qwen 397B-A17B. Sistem ini beroperasi dengan mengamati tangkapan layar dan bertindak melalui peristiwa keyboard dan mouse, tanpa bergantung pada pohon DOM atau metadata aksesibilitas.

lab OpenAI News · 8 hari lalu · 16 tayangan

Model Astra memecahkan sepuluh masalah terbuka dalam matematika dan ilmu komputer teoretis

Model internal Astra dari OpenAI telah menghasilkan solusi untuk sepuluh masalah terbuka yang telah berlangsung lama di bidang matematika dan ilmu komputer teoretis, dengan argumen yang diformalisasi dalam Lean. Hasil-hasil ini mencakup geometri berdimensi tinggi, teori pengkodean, teori grup, dan kompleksitas kuantum, menjawab pertanyaan-pertanyaan yang tidak menunjukkan kemajuan selama setidaknya satu dekade.