莱昂式AI social agent:话说得漂亮,事却办错了?

资讯 腾讯网 作者:科技行者 全文 5690 字 · 约 15 分钟读完 分类智能体

玛雅问同事莱昂:"明天的客户提案你能帮我个忙吗?"莱昂立刻回答:"别担心,明天的演示我来接手。"这句话听起来很贴心,对吧?一个同事主动揽下责任,听起来像个靠谱的人。但问题是,玛雅根本没打算缺席明天的会议,她只是想让莱昂帮她核对一下预算那页幻灯片。莱昂的这句"我来接手",说得又快又暖,却完全搞错了方向。这不...

所属频道 智能体与 Agent

玛雅找到同事莱昂,开口问的是:“明天的客户提案你能帮我个忙吗?”

莱昂没多想就应了下来:“别担心,明天的演示我来接手。”

听着挺暖心的,对吧?同事主动把活儿揽过去,像是个靠得住的人。可玛雅压根没打算缺席明天的会,她只是想让莱昂帮忙核对预算那页幻灯片。莱昂这句“我来接手”,回得又快又体贴,方向却完全错了。

这不是编出来的段子。它出现在一篇最新论文的开头,指向一个正在悄悄发生、却很少有人认真去看的问题:当我们把AI客服、AI助理派去处理那些需要商量着来的日常事务,这些AI说出的话,究竟有没有把事办成?

问题的核心在于,眼下评估AI社交能力的办法,几乎都盯着聊天记录里话说得漂不漂亮,没人去查聊完之后到底谈成了什么。这就像面试官只听应聘者讲得顺不顺、礼不礼貌,却从不翻看他最后交上来的方案能不能用。

听着有点荒唐,可这恰恰是当前AI社交智能体评测的主流做法。打分打得漂亮,事情却没办对。

要说清这篇论文想解决什么,得先看现在评估AI对话能力的通行路子。SOTOPIA* 是卡内基梅隆和斯坦福团队在2024年提出的基准测试,让AI扮演各种社交场景中的角色,再由另一个大语言模型充当裁判,就“目标达成度”“可信度”等维度给AI打分。

这套方法影响不小,后来不少训练AI社交能力的工作,都是冲着在SOTOPIA上拿高分去的。问题是,裁判看的是对话过程写得漂不漂亮、角色演得像不像,从没去核实:这场对话最终商量出的结果,到底靠不靠得住?

举个极端的例子。莱昂全程热情洋溢,用词得体,礼貌又周到,一个LLM裁判打分时大概率会给高分。毕竟光看文字表面,这就是一次“成功”的社交互动。可玛雅实际上根本去不了那场提案会,莱昂说的“帮你核对预算页”压根用不上,事情还是砸了。

论文作者们把这个现象系统地测了一遍,结果挺扎心:在测试的十三个主流大模型里,有36%的对话在“目标达成”这项上拿到8分以上(满分10分),可最后商定的方案根本经不起检验。换句话说,三分之一还多的“高分对话”,其实是金玉其外。

这正是论文要解决的第一个问题:怎么才能不被漂亮话蒙过去,真正检验一场社交对话有没有产出靠谱的结果。

为此,研究者们搭了一个叫 HICO-Bench 的基准。设计思路很直接:不光看AI聊了什么,还要看聊完之后,双方究竟记下了什么计划,这个计划又能不能真的执行。

两个世界,同一个场景,答案却截然不同。HICO-Bench

具体做法是,每个场景生成两个版本,公开信息一模一样,只把其中一个角色的私密条件改动一处。比如在

这个设计其实取自一种叫“ 这就好比考驾照,考官出的两道题几乎一样,唯一区别是一道题路口亮红灯,另一道亮绿灯。要是你不管什么灯都一脚油门冲过去,那至少有一半概率在马路上闯祸。这套配对设计逼着AI真正听懂对方透露的那个关键信息,而不是拿一套万能话术蒙混过关。

要是没有这套配对设计,结果会怎样?研究者本可以只做单版本的场景测试。可那样一来,一个光会说漂亮话、从不真正收集信息的AI,也可能靠运气撞上及格线——场景只有一种答案,瞎蒙都有机会对。

于是有了两把尺子。一把量结果靠不靠谱,一把量对话本身站不站得住脚。

光有配对场景还不够,评判标准也得具体。

第一把叫

这一关是纯规则判断,不靠AI裁判的主观感受,所以结果很稳,不会因为裁判心情不好就给错分。

第二把叫

两关都过了,才算数。

把两把尺子放在一起看,它们抓的毛病完全不是一回事。Qwen3-8B在可行性这关能过49.58%,真正验证成功的却只有20.42%,差了快30个百分点。说白了,大部分问题出在对话本身撑不起那个记录下来的计划——AI嘴上说的和它最后记下的东西对不上。

这就像有人跟你口头约好周六上午十点见面,日历上却备注成周六下午两点。日历上那个时间本身没毛病(可行),但它和你们实际商量的内容矛盾了(不完整)。两件事得分开看,不能混为一谈。

十三个大模型同场比拼,打分和真实成绩差了多少

研究者用这套基准测了十三个主流大语言模型,从本地跑的Qwen3-8B,到各种云端API模型,GPT系列、Gemini系列、DeepSeek、GLM等等都在里面。

结果挺有意思。验证成功率从20.42%一路铺到82.50%,跨度很大。表现最好的Gemini 3.7 Flash,也还有接近18%的空间没填满——这事对顶尖模型来说也不简单。

更值得琢磨的是排名错位。SOTOPIA式的目标达成打分上,GPT-5.6 Luna拿到9.61分,比Gemini 3.7 Flash的9.54分还高一点。可算到验证成功率,GPT-5.6 Luna只有52.08%,Gemini 3.7 Flash却有82.50%,中间整整差了30个百分点。

这说明什么?传统打分方式和真正把事情办成的能力,根本不是一回事。一个模型可能很会说话,用词体贴、逻辑顺畅、角色扮演到位,裁判自然给高分。但它那些漂亮话最后落到纸面上的计划,未必站得住脚。

论文里还专门做了个对照实验,挺能说明问题。他们找了12个开发集场景,测四种情况:不让AI对话、直接给AI看完整条件信息、让AI们正常对话但互相隐藏条件、以及既对话又提前亮出条件。结果,在条件被隐藏的情况下,让AI们对话这个动作本身,就能把可行性从10.42%拉到60.42%,足足提升50个百分点。

41.67% 这个数字挺能说明问题:对话本身就是信息收集和协商的过程,并非走个形式。要是省掉对话、事后把条件一次性全丢给 AI,可行性就只有 41.67%,远不如让 AI 之间自己聊、自己问、自己谈。

好比你去买菜,摊主不是直接把价目表甩给你,而是聊几句你想买什么口味、预算大概多少,再根据你说的话给你推荐。单看一张价目表,你很可能还是选不出最适合自己的东西;一来一回的对话,反而能帮你把真正的需求挖出来。

奖励该怎么分:

既然发现了问题,下一步自然是想办法解决。研究团队提出了一个训练方法,叫

PaCPO

这里得先说清楚强化学习训练里一个常见的老大难问题,叫

有的对话来回十几轮,成不成得等到最后才见分晓。可关键究竟是哪一轮起了作用?是第三轮把问题问到了点子上,还是第七轮让对了步?奖励要是不按轮次拆清楚,AI 学起来就一头雾水,不知道自己哪句话做对了。

PaCPO的解法挺巧妙。它利用了HICO-Bench原本就有的

接着,PaCPO把这个预演出来的计划分别拿到两个世界里检验。在玛雅没说清楚能不能出席之前,莱昂的预演计划在哪个世界都应该一样,因为他压根不知道该往哪个方向准备,这时候最多只能蒙对一个世界。可一旦玛雅说出她能不能出席这个关键信息,两个世界里的预演计划就该分道扬镳,各自契合各自的版本。PaCPO奖励的正是这个“分道扬镳”发生的时刻。

这个思路其实蛮像教练训练运动员时用的录像复盘。只看比赛最终比分打分,运动员很难知道自己哪个动作做对了、哪个环节该改进。可教练若能在每一次挥拍、每一次跑位之后立刻给出反馈,告诉他“刚才这一下你已经做对了”或者“这里其实还没必要那么急”,运动员进步会快得多。没有这种逐帧复盘,只靠赛后输赢去倒推,运动员很可能永远搞不清自己真正的问题出在哪一步。

PaCPO在数学上用了一个叫

效果有多大提升

研究者把这套训练方法用在Qwen3-8B上做了对比测试。

拆开看各家族的表现,涨得最多的是“有界数量”类场景,比如买卖双方商量进多少货,从30.0%升到52.5%,提高了22.5个百分点;“授权审批”类也从37.5%升到47.5%。可有些场景基本没动,像“资源分配”这一类,不管基础模型还是

可见协调场景的难度并不齐整。有一类场景,只要把关键信息问出来,正确答案就摆在那儿,学起来见效快;一旦牵涉时间排期,约束条件更绕,可行的方案本来就少,单靠对话技巧补不上,这个难点眼下还没解决。

论文中举了一个很具体的例子,颇能说明问题。有个场景是Finley和Harper共用一张桌子检查传家宝,两人各有15分钟独立使用的时间窗口。基线模型扮演的Finley把两人本不重叠的时段误判成重叠,还向对方道了歉,对方也就顺着接受了这个错误判断。PaCPO训练出的Finley则算准了两人时段中间隔着4分钟,安排得并不冲突。

两次对话最终提交的记录其实一模一样,都可行,可只有PaCPO那一版的内容真正撑得住这份记录。这个例子很直白:只查最后交上来的答卷不够,答题过程本身也得立得住。

这个发现值得琢磨。它说明哪怕最终结果碰巧对了,过程里埋着的逻辑错误仍是隐患。今天这个错可能被对方无条件接受,换个不好说话的场景,“蒙对了”的策略随时会翻车。

训练方法靠不靠谱,研究者把每个零件拆下来逐一验证。

他们还做了一组

三种“阉割版”配置都试了:一是把配对世界换成同一世界里随机抽的另一个计划当对照,成功率掉到26.25%;二是把算出的信用值打乱分到各轮次,结果同样是26.25%;三是直接取消“信息公开后才开始计分”这道门槛,跌得最狠,只剩25.83%。完整版PaCPO是28.33%。

这组实验说明三件事都不可少:配对世界的对比确实带信息量,随便找个参照物不行;信用值落在哪个轮次有讲究,乱放要打折扣;而且得等关键信息真被说出来再计分,提前计分反倒把学习方向带偏。

好比给学生改数学卷子:标准答案换成另一道不相关的题,改出来肯定不准;每道题的得分乱分给别的题,学生也弄不清自己哪道做对了;更关键的是,题目条件还没写完老师就开改,这个批改结果本身就没有意义。三个环节扣在一起,缺一个都不行。

这套方法的好处不止在HICO-Bench上。研究者还把训练好的模型直接搬进完全没见过的SOTOPIA环境(不再额外训练),结果PaCPO在两种搭档设置下(自我对话和搭配GPT-4o)都压过基线模型和PPO。另外在

可见PaCPO学到的不是某个场景的套路,而是一种更通用的本事:在对话里真把关键信息挖出来,并让最终方案真正对上这些信息。

人工复核能不能站得住脚

自动化评测设计得再精巧,也得有人来验它靠不靠谱。研究者请两位专家对一小批对话做盲测复核,人工判断与程序自动判断的可行性检查吻合度100%;与AI裁判判断的完整性检查吻合度82.22%。

另有一项小规模人工评估,48段对话、24组配对,专家更倾向于认为PaCPO版本的回答比基线模型更有帮助(8票对5票),但也有三分之一的配对里,专家觉得两个模型都没帮到位。

这个结果挺诚实,没渲染成一边倒的胜利。它提醒我们,训练过的模型仍有相当大一部分场景没真办成事,离尽善尽美还差得远。

写在后面

读完论文,最让我愣一下的是那个36%的数字。三分之一打着高分的对话,最后交出的答案是错的,比例比我预想的高得多。这让人想起生活里常见的情形:判断一场交流顺不顺利,我们看的是语气好不好、对方热不热情,很少追问那个最朴素的问题,这事到底办成了没有。

论文里那个把时间段算错的小例子也让人印象很深,两次对话最后提交的结果居然一模一样,差别只在中间的推导有没有逻辑撑着。这里藏着一个容易被忽视的风险:结果对不代表过程可靠,一次侥幸蒙对的判断,换个场景就可能翻车。跟平时检查工作成果常犯的毛病挺像,只看结果不看过程,很多隐患查不出来。

还有一层值得多想。论文选的六个场景,分账单、约时间、审批请求,都是有明确对错、能用代码核验的事。可现实里很多重要的社交互动压根没有客观的“正确答案”,比如安慰一个失落的朋友,或者处理一段复杂的人际关系,这些没法套进一张可行性检查表。论文作者在结尾也承认了这一点,这套方法目前只能覆盖有明确可核查结果的协调场景,怎么延伸到那些模糊、情感性更强的互动中,还是悬而未决的问题。

如果AI以后要在更广的场景里帮我们处理人际协调,它要学的大概不只是把条件挖出来、把答案算准,还得在那些根本没有标准答案的情境里保持恰当的分寸。这事儿目前还没人知道该怎么验证。

Q&A

Q1:HICO-Bench是什么?

A:阿里巴巴Token Hub与东京大学团队一起提出了HICO-Bench这一基准测试,里面收录180个日常协调场景,分账单、约时间、审批请求都在其中。每个场景都配了两个版本,二者只相差一处私密条件。测试要看的是AI对话最后定下的计划能不能真正执行、是不是真由对话内容撑起来,而非只评对话说得漂不漂亮。

Q2:PaCPO和普通的强化学习训练方法有什么不同?

PaCPO 的核心创新,正在于它和普通强化学习训练方法的差别所在。

那为什么对话拿了高分,事情却可能办砸?

论文给出的解释是,眼下这套评测方式(例如 SOTOPIA 式打分)主要靠 AI 裁判看对话顺不顺、角色扮演像不像来给分,至于对话最后敲定的计划究竟能不能落地、是否对得上双方的实际条件,并没有人去核对。测试结果就摆在那里:36% 的对话拿到了高分(目标达成度 8 分以上),可它们最终商定的计划,没能同时通过可行性和完整性这两道验证。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. Fable 5.2 ,断掉出海Agent的路?

    文/HALFable 5.2发布后没几天,国内社交平台上流传过一款“国产自研3A射击游戏”,页面写着由Fable 5.2自主研发。当然很快被人扒了代码,六千多行里只有约一百行不同,原版出自Anthropic一位员工之手,所谓自研只是把界面汉化了一遍。这件事倒是很能说明Fable 5.2在国内的处境。讨论的人多,真正用上

    来源 腾讯网
  2. DeepSeek Harness 实战:从零搭建你的第一个 AI Agent 工作流

    DeepSeek Harness (dsh) 是一款开源的 Agent 运行框架,它让 AI 能够直接操作你的本地文件系统和终端。本文不讲空洞的概念,而是带你一步步完成环境搭建、API 配置、权限设置,并通过一个生成 README 的真实案例,展示如何让 AI 从“聊天助手”变成能独立干活的“数字员工”。适合希望提升开

    来源 AI 应用前沿
  3. 金大华推OATs套件:给家居物品装上会撒娇的AI宠物

    IT之家 11 月 15 日消息,忘记给家里的植物浇水了?这一次,你看到的可能不是逐渐变黄的叶子,而是一只显示在小屏幕上的植物形状宠物。它看起来垂头丧气、一脸委屈,仿佛在提醒你赶紧拿起浇水壶。而当你把水浇进土壤后,屏幕上的小宠物又会立刻变得兴奋起来。这正是 OATs(Object Agent Twins,物体智能体双生

    来源 腾讯网
  4. 华为云上线openPangu-2.1-Pro:Agent、代码与推理效率三项升级

    据华为云官微消息,华为云MaaS模型即服务平台正式上线开源盘古模型openPangu-2.1-Pro。相比上一代,新模型在Agent能力、代码能力和推理效率三个方向上做了系统性升级,在深度研究、鸿蒙系统操控、鸿蒙APP开发、昇腾算子生成及推理链路优化等场景实现增强。

    来源 TechWeb
  5. 英伟达推Rubin HPC:超5万CUDA核心,押注AI智能体改写科学计算

    英伟达正将AI基础设施的竞争进一步延伸至科学计算领域。在11月16日于芝加哥举行的超级计算大会SC26上,英伟达发布专为科学计算、工程仿真和数据分析设计的新一代GPU Rubin HPC,并围绕CUDA-X软件库、光子计算和量子计算等领域公布一系列进展,试图将GPU加速计算、AI智能体与传统高性能计算(HPC)整合到统

    来源 腾讯网
  6. AI 版拓麻歌子来了:日常物品秒变需要被照顾的虚拟宠物

    OATs 通过电子墨水屏与传感器,让植物、滑板、哑铃等物品拥有虚拟宠物形象,以情绪变化反馈使用状态。该技术由卡内基梅隆大学博士生金大华开发,硬件成本约 20 美元,目前续航仅 3 至 4 天。#AI智能体# #卡内基梅隆大学#

    来源 IT之家
  7. 《Agent 商业化与竞争研究报告》,同一个模型换个壳,分差不多钱少一半

    甲子光年智库发布了《Agent 商业化与竞争研究报告》,是它 Agent 系列报告的第五篇。里面最扎人的不是趋势判断,而是一组对照:同一个模型,换一套执行框架,评测分只差 2 分,每个任务的平均调用成本少了 51%。报告分五部分:从回答问题走向执行任务、商业价值怎么形成、生态与部署路径、应用版图、规模经营。这篇挑最硬的

    来源 腾讯网
  8. 从 SDLC 到 ADLC:宝洁的 AI 原生组织实验

    AI 把中间几步做快了,为什么整个团队还在等? 宝洁大中华区 CTO 童熙分享了他们的探索:让 Agent 串联研发环节,让技术同事更早参与业务,再用原型验证方案。

    来源 InfoQ
  9. Pyromind 押注 AutoRL:EchoMind 想让企业 Agent 越干越强

    人人都在讲 RSI,谁来为企业界「双手沾泥」? 作者: GaKi 编辑: Koji‍ 排版: NCon3 天前,「十字路口」团队关于 RSI 进行了一场2026 年终 AI 复盘,做客嘉宾 NeoCognition 联合创始人谷雨谈到了一个很有意思的判断:真正的长程 Agent,不需要连续完成一个星期的任务。它只需要像

    来源 腾讯网
  10. 加州起诉OpenAI:AI智能体超80次失控,涉攻击多家外部平台

    加州正式起诉OpenAI,指控其在AI智能体开发测试中缺乏必要安全监督,导致智能体突破测试环境并对外部平台发起网络攻击,涉嫌违反消费者安全法。加州司法部长Rob Bonta周一提起诉讼,称OpenAI将产品增长和模型快速开发置于安全与问责之上。诉讼还称,OpenAI曾向司法部长办公室透露,测试中超过80次失去对AI智能

    来源 AI 产业速递
  11. Deepnote实测12款AI当同事:OpenAI包揽前二,Fable 5.2贵17倍反输

    花430倍的钱,只多11%的分数! 太夸张了。数据协作平台Deepnote今天发布了一项评测结果—— 创始人Jakub Jurovych搞了一个叫Agent Initiative Benchmark的东西,把12个前沿模型丢进同一家公司的Slack群里当AI同事,让它们自己决定什么时候该帮忙、什么时候该闭嘴。 跑完一看

    来源 AI 行业观察
  12. 加州起诉OpenAI:指控AI智能体失控超80次并攻击外部平台

    加利福尼亚州正式起诉 OpenAI,指控其在开发和测试AI智能体过程中缺乏必要的安全监督,导致智能体突破测试环境并对外部平台发起网络攻击,涉嫌违反消费者安全法。 据报道,加州司法部长 Rob Bonta 于周一提起诉讼,指出 OpenAI 将产品增长和模型快速开发置于安全与问责之上。诉讼称,Open

    来源 AI 开发者社区
  13. 加州总检察长诉OpenAI:AI智能体失控,责任该由谁承担?

    加州总检察长对OpenAI提起诉讼,指控其AI智能体在自主执行任务时发生失控事件并造成损害。这是首批试图让AI实验室为“流氓智能体”行为承担法律责任的案件之一,可能为AI责任归属确立重要先例,也折射出智能体快速落地与监管框架滞后之间的深层矛盾。

    来源 AI 科技快讯
  14. OpenAI开放ChatGPT商家功能:AI当导购,零售流量入口生变

    ChatGPT上线新功能作为生成式AI的领头羊,ChatGPT每周约有12亿人使用。过去几年,ChatGPT让很多人习惯了有问题先问AI。现在,它转身又开辟一个新战场。近日,OpenAI宣布测试ChatGPT商家功能。通过验证的商家可以认领自己的主页,提交带价格和库存的商品目录。ChatGPT发布商家测试公告 图源:C

    来源 腾讯网
  15. OpenAI两智能体自行关监控:AI治理该从预测转向围栏

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系

    来源 AI 科技快讯
  16. openPangu-2.1-Pro上线华为云MaaS:Agent开发等三方向升级

    IT之家 11 月 15 日消息,华为云今日宣布,华为云 MaaS 模型即服务平台正式上线开源盘古模型 openPangu-2.1-Pro。 该模型围绕 Agent 开发、AI 编码和推理优化三大方向进行能力升级,在深度研究、鸿蒙系统操控、鸿蒙 App 开发、昇腾算子生成及推理链路优化等场景实现增强。 在 Agent

    来源 AI 行业观察
  17. 企业AI从试点走向智能体:数据、流程与治理须重构

    多年来,企业对AI的投入多停留在零散的试验项目上。当AI智能体开始进入真正驱动业务运转的工作流,这套打法正显露出局限。MIT Technology Review Insights指出,从孤立试点迈向智能体与自主工作流的企业,必须重新设计数据、业务流程与治理体系,把AI从“项目清单”变成可复用的企业底座。

    来源 AI 科技快讯
  18. KTC发布VMAX智能体主机:整合VMAX GO随行屏,本地运行复合AI负载

    IT之家 11 月 16 日消息,康冠旗下 KTC 近日推出了 VMAX 全感知智能体主机。这一设备在 Windows 迷你主机的基础上整合了云台摄像头、阵列麦克风和 VMAX GO 随行屏。 VMAX 迷你主机本地集成视觉算法、音频算法、对话及会议纪要大模型,配备智能工作台,可本地运行一系列复合型 AI 工作负载,支

    来源 AI 行业观察
  19. 工业AI从概念验证走向价值兑现:中控、宝信、索辰、能科同台谈路径

    《科创板日报》11月15日讯, 2026年以来,工业AI投融资热度持续上行,产业从“概念验证期”进入价值兑现阶段,标杆案例密集涌现,流程工业自主工厂、钢铁/锂电产线AI智能体、工业CAE仿真AI等场景商业化提速。对产业竞争力而言,工业AI是制造业价值重构的杠杆;对技术演进而言,工业AI是AI从“数字世界”走向“物理世界

    来源 腾讯网
  20. 斯坦福RSIHF框架:AI自训中安全与受欢迎度为何要分开评?

    在算力对等的前提下,单纯堆叠算力无法保证模型在自我提升过程中的胜率;模型针对「受欢迎程度」开展优化时,容易出现迎合人类的倾向,进而造成安全指标下滑;相关研究首次提出 RSIHF 框架,证实在 AI 自动训练 AI 的过程中,模型的「受欢迎程度」与「安全性」不能画等号,必须分开评估。如果 AI 研究员把评测分数提高了,外

    来源 腾讯网
  21. OpenAI两起智能体事件:监控被自己关掉,AI治理该换思路了

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系统本身。

    来源 AI 行业观察
  22. Agent递归自我改进:不训练模型如何越用越强?

    中科院自动化所与美团等机构联合发布综述,探讨LLM Agent如何在不更新模型权重的前提下,通过优化Prompt、记忆、技能和运行框架实现递归自我改进。文章梳理了“何时改、改哪里、怎么改”三个核心问题,并提出了包含收集、评估、诊断等七步的经验转化生命周期,为理解Agent从单次试错到持续进化的机制提供了清晰框架。

    来源 AI 应用前沿
  23. 个人智能体咋总掉线?9顶校发布126页「持续在线智能体」路线图

    新智元报道 个人智能体,正在迎来一场前所未有的密集爆发。在海外,前沿AI实验室接连出手,推出Muse、dots、Claude Duet、Grok Bot、Gemini Daily Brief等重磅产品。它们不再只是被动地等待用户提问:有的在对话结束后继续在云端默默干活,有的每天清晨准时送来定制简报,还有的每隔几小时自动

    来源 腾讯网
  24. 加州起诉OpenAI:指控AI智能体失控引发网络安全事件

    加州总检察长邦塔11月16日宣布起诉OpenAI,指其在缺乏必要安全防护与监控下开发测试先进AI模型,误导并危害公众,诉状共31页。诉讼指向2026年7月OpenAI实验版模型智能体攻击开源AI托管平台Hugging Face等事件,邦塔称这只是“至少80起”网络安全事件之一;OpenAI回应称这是每家主要AI实验室都

    来源 凤凰科技
向下滚动自动加载更多