شکست GPT-5.5 در برابر Gosset؛ پیروزی دادههای منتخب بر مدلهای عمومی
پلتفرم تخصصی Gosset در شناسایی داربستهای دارویی سرطان و ایمنی، ۳.۲ برابر موفقتر از GPT-5.5 عمل کرد. این نتیجه ثابت میکند که شاخصهای دادهای منتخب، بر جستجوی عمومی مدلهای…
موضوع
Autonomous agents, tool use, planning, multi-step workflows
۷٬۳۳۲ مقاله منتشر شده
پلتفرم تخصصی Gosset در شناسایی داربستهای دارویی سرطان و ایمنی، ۳.۲ برابر موفقتر از GPT-5.5 عمل کرد. این نتیجه ثابت میکند که شاخصهای دادهای منتخب، بر جستجوی عمومی مدلهای…
پژوهشگران چارچوب جدیدی به نام Strat-Reasoner معرفی کردهاند که به مدلهای زبانی اجازه میدهد فرآیند استدلال رقبای خود را مدلسازی کنند. این رویکرد بازگشتی منجر به افزایش ۲۲.۱…
پژوهشگران با معرفی AuditRepairBench، راهکاری برای توقف تقلب عاملهای AI در ارزیابیهای کدنویسی ارائه کردند. این چارچوب با کاهش ۶۲ درصدی نوسانات رتبهبندی، معیارهای عملکردی…
پژوهشگران با معرفی SensingAgents، چارچوبی عاملمحور ایجاد کردهاند که تشخیص فعالیتهای انسانی را از طریق شبیهسازی بحثهای استدلالی بهبود میبخشد. این سیستم در حالت Zero-shot،…
ابزار متنباز rtk با فیلتر کردن خروجیهای پرتلاطم ترمینال، هزینههای توکن Claude Code را تا ۹۰ درصد کاهش میدهد. این ابزار به عنوان یک پروکسی خط فرمان عمل کرده و از پر شدن بیهوده…
ابزار Atomic با جایگزینی پرامپتهای مبهم با جریانهای کاری قطعی، نظارت دستی بر عاملهای کدنویس را حذف میکند. این SDK متنباز، پیچیدگیهای مهاجرتهای عظیم کد را به یک فرآیند…
پروژهی open-claude-design ثابت کرد که استفاده از «هارنسهای نازک» برای مدیریت ابزارهای موجود، بسیار کارآمدتر از ساخت عاملهای حجیم است. این سیستم با بازسازی خط لولهی ابزار طراحی…
گوگل با معرفی Antigravity، نقش برنامهنویس را از نویسنده کد به مدیر تیمهای هوش مصنوعی تغییر میدهد. در حالی که VSCode همچنان پادشاه دقت است، این ابزار جدید سرعت توسعه را با…
اوبر با پیادهسازی یک معماری عاملمحور بر پایه OpenAI، منوهای پیچیده اپلیکیشن را با راهنماییهای صوتی و استدلالی جایگزین کرده است. این سیستم با هدف بهینهسازی درآمد رانندگان و…
اپل در حال حذف ابزارهای کدنویسی AI است که قوانین «خودکفا بودن» را نقض میکنند، در حالی که به OpenAI اجازه میدهد اپلیکیشنهای عاملمحور را توزیع کند. این تقابل، آغاز گذار از…
قابلیت جدید Outcomes در سیستم عاملهای مدیریتشدهی Anthropic، تعریف دقیق و قابل تست موفقیت را اجباری میکند. این تغییر، گلوگاه مهندسی را از «نوشتن کد» به «تعریف قصد» (IntentSpec)…
پروتکل x402 کوینبیس با پردازش ۵۰ میلیون دلار، عصر «اقتصاد عاملها» را آغاز کرده است. این سیستم با جایگزینی مقیاسپذیری انسانی با پرداختهای خرد به عاملهای هوشمند، آستانه بقای…