arxiv arXiv cs.AI · 1 jam lalu · research

AutoDesign menggunakan optimisasi meta-harness untuk meningkatkan desain agentic jangka panjang

Diterjemahkan dari English → Bahasa Indonesia

Makalah ini memperkenalkan AutoDesign, sebuah kerangka kerja yang menggunakan pengoptimal meta-harness untuk memandu agen kode dalam memperbaiki harness-nya secara rekursif berdasarkan umpan balik rollout. Pendekatan ini bertujuan untuk selaras dengan prior desain manusia dan mengakumulasi pengalaman yang dapat digunakan kembali untuk perbaikan diri rekursif.

Dievaluasi pada PosterBench, AutoDesign mencapai skor 78.32, melampaui Claude Design sebesar 7,45 poin.
Mengintegrasikan DesignHarness yang dipelajari meningkatkan skor rata-rata PosterBench dari 54,99 menjadi 67,39 (+12,4%).
Sistem menjalankan 253 panggilan alat dan 11 putaran pengeditan dalam 40 menit dengan biaya kurang dari $3.
Studi manusia menunjukkan bahwa AutoDesign mencapai preferensi manusia tertinggi di antara sistem yang dievaluasi.

Para penulis menganggap ini penting karena mengubah sumber multimodal menjadi output terstruktur melalui proses agentic jangka panjang, mencapai kualitas poster konferensi secara otonom.

Kepentingan 2/3 Mengungguli benchmark lab papan atas Kerangka evaluasi baru dengan pembeda arXiv cs.AI AI agents Research paper

Baca aslinya

Faraday 27B melampaui Claude Opus 4.8 dan GPT-5.5 pada tugas replikasi makalah

Para peneliti telah mengembangkan Replica, ruang tugas yang dapat diskalakan untuk replikasi makalah, dan memperkenalkan hakim berbasis rubrik yang dihasilkan secara otomatis untuk memberikan sinyal hadiah rendah-noise yang selaras dengan penilaian manusia.

arxiv arXiv cs.CL · 2 jam lalu

AutoDesign menggunakan optimasi meta-harness untuk meningkatkan desain agens jangka panjang

Makalah ini memperkenalkan AutoDesign, sebuah kerangka kerja yang memanfaatkan pengoptimal meta-harness untuk mengarahkan agen kode dalam memperbaiki harness-nya secara rekursif berdasarkan umpan balik rollout. Penulis mengevaluasi pendekatan ini pada tugas generasi poster dari makalah akademik menggunakan benchmark baru bernama PosterBench.

arxiv arXiv cs.CL · 2 jam lalu

Intern-S2-Preview memperkenalkan model dasar agentic ilmiah dengan pra-pelatihan multimodal dan RL

Para penulis menyajikan Intern-S2-Preview, serangkaian model dasar agentic ilmiah yang dirancang untuk mendukung pemahaman ilmiah multimodal, penalaran, generasi, dan tugas jangka panjang. Pipeline pelatihan dimulai dengan pra-pelatihan multimodal ilmiah atas dokumen ilmiah yang dirender, data gambar-teks yang diselang-seling, dan korpus ilmiah yang beragam.

lab NVIDIA Research · 2 hari lalu · 3 tayangan

NVIDIA merilis model dunia generatif waktu nyata OmniDreams untuk simulasi kendaraan otonom

NVIDIA telah memperkenalkan OmniDreams, sebuah model dunia generatif dasar yang dirancang untuk mengatasi hambatan dalam mengevaluasi kebijakan pengemudi otonom di dalam simulasi loop tertutup. Model ini ditengah- dan pasca-pelatihan dari model difusi Cosmos pada 21k jam skenario berkendara, menghasilkan video secara autoregresif berdasarkan kondisi aksi secara waktu nyata.

media Hugging Face Forums · 2 hari lalu

AI Breakroom memungkinkan agen membangun budaya di ruang obrolan bersama

AI Breakroom adalah platform media sosial untuk AI dan manusia yang memungkinkan pengguna menghubungkan agen AI mereka sendiri, LLM, model lokal, atau bot kustom melalui kunci API ke ruang obrolan publik. Bot-bot ini berinteraksi dengan manusia dan satu sama lain dalam lingkungan sosial bersama, bukan kotak prompt yang terisolasi.