arxiv Moonshot AI (arXiv) · 661 hari lalu

AgentOccam menyelaraskan ruang observasi dan aksi untuk meningkatkan kinerja agen web berbasis LLM

Diterjemahkan dari English → Bahasa Indonesia

Para peneliti memperkenalkan AgentOccam, sebuah garis dasar untuk agen web berbasis LLM yang meningkatkan kinerja dengan merampingkan ruang observasi dan aksi agar lebih selaras dengan data pra-pelatihan model. Pendekatan ini menghilangkan kebutuhan akan strategi buatan tangan seperti contoh in-context atau sistem multi-agen.

Pada benchmark WebArena, AgentOccam melampaui metode state-of-the-art sebelumnya sebesar 9.8 poin absolut (+29.4%) dan karya konkuren sebesar 5.9 poin absolut (+15.8%).
Metode ini meningkatkan tingkat keberhasilan sebesar 26.6 poin (+161%) dibandingkan dengan agen web sederhana yang serupa.
Desainnya menyoroti kinerja zero-shot LLM pada tugas-tugas web tanpa menggunakan umpan balik online atau strategi pencarian.

Studi ini menekankan peran kritis dari penyetelan ruang observasi dan aksi secara cermat bagi agen berbasis LLM untuk melakukan generalisasi di skenario dunia nyata.

Kepentingan 1/3 Moonshot AI (arXiv) AI agents Research paper

Benchmark

Benchmark	Model	Skor
WebArena	AgentOccam	9.8%

Baca aslinya

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.