Проект Android Open Harness Project (AOHP) представляет собой платформу агентов на уровне операционной системы с открытым исходным кодом, созданную на базе проекта Android Open Source Project. Она решает проблему несоответствия между современными операционными системами, ориентированными на приложения, и потребностями автономных ИИ-агентов, рассматривая агентов как полноправных субъектов ОС. В архитектуре предложены три ключевых механизма: персонализированная композиция сервисов, эффективные интерфейсы для агентов и безопасный поток информации. Эти функции обеспечивают адаптивные пользовательские интерфейсы и среду выполнения, удобную для агентов, сохраняя при этом существующую экосистему Android. Предварительные эксперименты на сложных задачах демонстрируют значительное улучшение производительности по сравнению с традиционными системами. В частности, AOHP увеличила долю успешно завершённых задач на 21,12% по сравнению с базовыми методами. Она также снизила затраты на выполнение токенов на 51,55%, что подчёркивает её преимущества в эффективности. Кроме того, система показала улучшенное соответствие политикам безопасности во время взаимодействий, опосредованных агентами.
AOHP: платформа агентов на уровне ОС с открытым исходным кодом для персонализированного, эффективного и безопасного взаимодействия
HealthClaw: агент с открытым исходным кодом и самообучающейся памятью для долгосрочного управления личным здоровьем
Исследователи разработали HealthClaw, архитектуру агента с открытым исходным кодом, предназначенную для обновления поддержки по мере изменения привычек, предпочтений, показателей и рисков человека со временем. Она разделяет общие правила безопасности и медицинские знания от частной долговременной памяти, содержащей факты профиля, повторно используемые процедуры и эпизодические следы.
Tmax: Простая рецептура RL для агентов-конечных
Tmax представляет наиболее сильную открытую рецептуру для агентов-конечных, достигая 27% на Terminal-Bench 2.0 с использованием только 9B параметров. Он использует новую классификацию данных для генерации более чем на 2,5 раза больше окончательных сред, что позволяет эффективно обучать с простой рецептурой, ориентированной только на результат. Данные, модели и код доступны на GitHub по адресу https://github.com/hamishivi/tmax.
Техническая классификация протоколов коммуникации агентов на основе ЛЛМ
Новая классификация классифицирует протоколы коммуникации агентов на основе ЛЛМ по пяти измерениям: сопряжённый субъект, нагрузка, состояние взаимодействия, механизм обнаружения и гибкость схемы. Анализ показывает, что гибридные нагрузки, сохранение состояния сессии и переговоры о схеме во время выполнения являются распространенными, в то время как децентрализованное обнаружение остаётся редким. Исследование прогнозирует краткосрочную тенденцию к унификации протоколов агент-к-агенту и агент-к-контексту, и долгосрочное развитие в сторону распределённой, многоуровневой стека протоколов.
OpenAI заявляет о результате сингулярности Навье-Стокса с помощью ИИ при участии 10 000 агентов
Аккаунты, связанные с OpenAI, сообщили, что усилия с поддержкой ИИ привели к результату, относящемуся к проблеме существования и регулярности уравнений Навье-Стокса, одной из задач тысячелетия. Утверждается, что примерно 10 000 агентов сотрудничали в решении задачи после обучения в течение примерно года с использованием многоагентного обучения с подкреплением.
Внутренняя система OpenAI доказала, что уравнения Навье–Стокса могут развивать сингулярности за конечное время
OpenAI сообщает, что внутренняя ИИ-система получила доказательство того, что динамика уравнений Навье–Стокса для движения жидкости может развивать сингулярность за конечное время. Решение, полученное многоагентной системой на базе модели, значительно превосходящей по возможностям GPT-6 Astra, устанавливает истинность утверждения «C» в формулировке задачи тысячелетия.