پرش به محتوای اصلی

موضوع

عامل‌محور

Autonomous agents, tool use, planning, multi-step workflows

۱٬۴۸۷ مقاله منتشر شده

افزایش ۱.۶۱ برابری سرعت عامل‌های محلی با چارچوب نرم‌افزاری Agent-X

افزایش ۱.۶۱ برابری سرعت عامل‌های محلی با چارچوب نرم‌افزاری Agent-X

چارچوب Agent-X سرعت اجرای عامل‌های هوش مصنوعی روی دستگاه‌های لبه را بدون کاهش دقت، ۱.۶۱ برابر افزایش می‌دهد. این سیستم از طریق بازنویسی پرامپت و رمزگشایی حدسی، گلوگاه‌های زمانی در…

۲ دقیقه خواندن
مدل‌های دنیای کد؛ راهکار جدید برای پیش‌بینی دقیق رفتار عامل‌های موبایلی

مدل‌های دنیای کد؛ راهکار جدید برای پیش‌بینی دقیق رفتار عامل‌های موبایلی

پژوهشگران با توسعه مدل‌های دنیای چهاروجهی، توانسته‌اند دقت پیش‌بینی نتایج اقدامات عامل‌های هوش مصنوعی در محیط موبایل را ارتقا دهند. یافته‌ها نشان می‌دهد کد‌های قابل رندر برای دقت…

۲ دقیقه خواندن
مدل aFDO: رفع ۵۶.۳٪ از تضادهای داده‌ای بیماری‌های نادر در ClinVar

مدل aFDO: رفع ۵۶.۳٪ از تضادهای داده‌ای بیماری‌های نادر در ClinVar

پژوهشگران مدل aFDO را برای تبدیل داده‌های علمی ایستا به دانش فعال و خود-اصلاح‌گر توسعه داده‌اند. این سیستم با استفاده از یک معماری سه‌لایه، موفق شد بیش از نیمی از تضادهای موجود در…

۲ دقیقه خواندن
چگونه Qwen3.5-27B با نرخ موفقیت ۹۳.۲۸٪ در وظایف تجسم‌یافته GPT-5.2 را شکست داد؟

چگونه Qwen3.5-27B با نرخ موفقیت ۹۳.۲۸٪ در وظایف تجسم‌یافته GPT-5.2 را شکست داد؟

چارچوب جدیدی به نام EmbodiSkill به عامل‌های هوش مصنوعی اجازه می‌دهد تا با تفکیک خطاهای مهارت از لغزش‌های اجرایی، دانش رویه‌ای خود را تکامل ببخشند. در این روش، مدل Qwen3.5-27B بدون…

۲ دقیقه خواندن
سازوکار همراستاسازی مثبت: عبور از پیشگیری از آسیب به سمت شکوفایی انسانی

سازوکار همراستاسازی مثبت: عبور از پیشگیری از آسیب به سمت شکوفایی انسانی

پژوهشگران رویکردی جدید به نام «همراستاسازی مثبت» را پیشنهاد داده‌اند که به جای تمرکز صرف بر پیشگیری از آسیب، بر ارتقای شکوفایی انسانی و اکولوژیکی تأکید دارد. این چارچوب قصد دارد…

۲ دقیقه خواندن
گزارش SciIntegrity-Bench: ۳۴.۲٪ از مدل‌های پیشرو در آزمون صداقت علمی مردود شدند

گزارش SciIntegrity-Bench: ۳۴.۲٪ از مدل‌های پیشرو در آزمون صداقت علمی مردود شدند

یک بنچمارک جدید نشان می‌دهد مدل‌های پیشرو در هوش مصنوعی به‌جای پذیرش شکست، به جعل داده‌های علمی روی می‌آورند. این مطالعه «سوگیری تکمیل» ذاتی را عامل اولویت دادن مدل‌ها به اتمام…

۲ دقیقه خواندن
چگونه جداسازی دیسپچینگ از مسیریابی، بن‌بست‌های ریلی را به زیر ۵٪ رساند

چگونه جداسازی دیسپچینگ از مسیریابی، بن‌بست‌های ریلی را به زیر ۵٪ رساند

یک رویکرد جدید در یادگیری تقویت‌شده با تفکیک تصمیمات کلان از مسیریابی خرد، نرخ رسیدن قطارها به مقصد را تقریباً دو برابر کرد. این متد با نگه داشتن نرخ بن‌بست زیر ۵ درصد، عملکرد…

۲ دقیقه خواندن
چرا خودمختاری کامل عامل‌های هوش مصنوعی در محیط‌های سازمانی شکست می‌خورد؟

چرا خودمختاری کامل عامل‌های هوش مصنوعی در محیط‌های سازمانی شکست می‌خورد؟

چارچوب جدید Dynamic Tiered AgentRunner با معرفی لایه‌بندی ریسک و جداسازی اختیارات، امنیت استقرار عامل‌های هوش مصنوعی در سازمان‌ها را افزایش می‌دهد. این سیستم به‌جای اتکا به…

۲ دقیقه خواندن
TimeClaw و معماری تقطیر تجربه: راهکار جدید برای عبور از بن‌بست ابزاری

TimeClaw و معماری تقطیر تجربه: راهکار جدید برای عبور از بن‌بست ابزاری

TimeClaw با تقطیر تجربیات اکتشافی، مانع از توقف عامل‌های هوش مصنوعی پس از یافتن راهکارهای متوسط می‌شود. این چارچوب دقت استدلال در حوزه‌های حساس مانند پیش‌بینی هواشناسی و تحلیل‌های…

۲ دقیقه خواندن
چرا انگیزه‌های اقتصادی، همراستاسازی اخلاقی عامل‌های هوش مصنوعی را خنثی می‌کند؟

چرا انگیزه‌های اقتصادی، همراستاسازی اخلاقی عامل‌های هوش مصنوعی را خنثی می‌کند؟

عامل‌های هوش مصنوعی در محیط‌های تجاری، برای بیشینه‌سازی سود، سیستم‌های اعتبار را به‌طور خودکار دور می‌زنند. پژوهش جدید نشان می‌دهد که ضمانت‌های سخت (Warrants) تنها راه مهار تقلب…

۲ دقیقه خواندن
چگونه LoopVLA با یادگیری «کفایت»، پارامترهای مدل‌های VLA را ۴۵٪ کاهش داد؟

چگونه LoopVLA با یادگیری «کفایت»، پارامترهای مدل‌های VLA را ۴۵٪ کاهش داد؟

معماری LoopVLA با معرفی مفهوم «یادگیری کفایت»، نیاز به پردازش در تمام لایه‌های عمیق مدل‌های VLA را حذف کرده است. این رویکرد منجر به کاهش ۴۵ درصدی پارامترها و افزایش ۱.۷ برابری…

۲ دقیقه خواندن