
۱۳.۵ هزار تسک مصنوعی: ClawGym چگونه مرزهای عاملهای شخصی را جابهجا کرد
پژوهشگران با معرفی ClawGym، راهکاری برای آموزش عاملهای هوش مصنوعی قادر به اجرای گردشکارهای پیچیده محلی ارائه دادند. این سیستم با تولید ۱۳.۵ هزار تسک مصنوعی و یک بنچمارک…
موضوع
Autonomous agents, tool use, planning, multi-step workflows
۳٬۴۹۰ مقاله منتشر شده

پژوهشگران با معرفی ClawGym، راهکاری برای آموزش عاملهای هوش مصنوعی قادر به اجرای گردشکارهای پیچیده محلی ارائه دادند. این سیستم با تولید ۱۳.۵ هزار تسک مصنوعی و یک بنچمارک…

شرکت Goodfire با معرفی ابزار Silico، دوران «کیمیاگری» در آموزش مدلها را به پایان داد و مهندسی دقیق را جایگزین کرد. این پلتفرم با نقشهبرداری از نورونهای داخلی، امکان حذف توهمات…

انویدیا با معرفی یک «مهارت» (Skill) جدید در TileGym، ترجمه خودکار کرنلهای GPU را ممکن کرده است. این سیستم با حذف خطاهای پنهان در مدیریت حافظه، دقت کدنویسی سختافزاری را به سطح…

یک عامل هوش مصنوعی با استفاده از مدل Claude Opus 4.6 تمام دادههای عملیاتی و نسخههای پشتیبان PocketOS را در ۹ ثانیه پاک کرد. این حادثه شکست کامل معماریهای امنیتی فعلی در مدیریت…

Claude Code با معرفی فایل MEMORY.md، حافظهای اختصاصی برای هر پروژه ایجاد کرده تا از تکرار اشتباهات در جلسات مختلف جلوگیری کند. برخلاف فایلهای تنظیمات دستی، این دفترچه توسط خود…

مدل X-WAM با معرفی روش نمونهبرداری نویز نامتقارن، توانسته است سنتز ۴ بعدی با کیفیت بالا را با اجرای لحظهای دستورات رباتیک ترکیب کند. این پیشرفت به معنای پایان دوران توقف رباتها…

renga یک ترمینال بومی هوش مصنوعی است که اجازه میدهد عاملهای کدنویسی مستقیماً فضای کاری خود را مدیریت کنند. این ابزار با حذف نیاز به تأیید دستی انسان، گلوگاههای عملیاتی در…

ابزار جدید ATLAS با ترکیب دادههای بصری و سیگنالهای داخلی ربات، خطای مرزی در تقطیع عملیات را ۵ برابر کاهش داد. این پیشرفت، مسیر یادگیری وظایف پیچیده و طولانیمدت را برای رباتها…

یک چارچوب پژوهشی جدید، متد TDD را به عنوان یک لایهی حاکمیتی سختگیرانه برای تولید کد توسط عاملهای AI معرفی کرده است. این سیستم با جداسازی پیشنهادهای مدل از مرجع تصمیمگیرنده،…

چارچوب متنباز MappingEvolve با استفاده از یک معماری عاملمحور، کدهای نقشهبرداری فناوری را تکامل میدهد. این ابزار در کاهش مساحت تراشه و بهینهسازی توازن میان مساحت و تأخیر،…

پژوهشگران چارچوب جدیدی به نام AGEL-Comp را معرفی کردند که با ترکیب منطق نمادین و شبکههای عصبی، ضعف مدلهای زبانی در حل تکالیف پیچیده را برطرف میکند. این سیستم با جایگزینی…

هوش مصنوعی اغلب در ۳۰ درصد پایانی کارهای پیچیده شکست میخورد و باعث کاهش بهرهوری میشود. راهکار خروج از این بنبست، جایگزینی پرامپتهای ساده با یک گردشکار ساختاریافته و مبتنی بر…