Search

Tag: #autonomous-research9 results

Anthropic 暫緩發布高風險 Model 2

Anthropic 表示，儘管內部 Model 2 的能力似乎已超越目前的頂尖模型 Mythos，公司暫時不會公開發布。Anthropic 將高風險情境下模型失控的預估機率由「極低」上調至「低」，並指出模型的自動化研發能力正在加速。

AutoWorldModel-Bench 評估前沿程式代理是否能透過開放式研究自主改進世界模型，而非只完成預先定義的工程任務。在 64 次測試與 8 個遊戲環境中，Codex-5.4 和 Claude Opus 4.6 在 63 次測試裡改進了起始模型，且多數勝出修改都涉及實質性的研究變更。

本研究提出了一套嚴謹的基準測試協議，利用多模型 LLM 同儕審查來評估自主 AI 研究系統。研究針對四種框架與商業基準進行評測，揭示了顯著的效能差距，並驗證了自動化評估的可靠性。

HOTE 框架引入了一種混合強化學習方法，用於進化開放式研究中的提議者、求解者和評判者模組。實驗顯示，經 HOTE 訓練的 8B 模型在長篇研究任務中表現優於更大的靜態模型。

中國科学技术大學發布「靈境造物」，一款人工智能驅動的科研平台，向全球用戶開放。以昇騰、鯤鵬、華為雲為基礎，整合科學大模型、機器人及1214項技能，實現自主科研。解決傳統科研成本高、週期長、轉化難等痛點。

Mimosa 推出一個演進式多代理框架，能自動合成任務特定工作流程，用於自主科學研究，並透過實驗反饋精煉它們。它使用 DeepSeek-V3.2 在 ScienceAgentBench 上達到 43.1% 成功率，超越單代理和靜態多代理基準。完全開源，支持動態工具發現，並透過記錄追蹤實現可審核性。

AI-Supervisor 是一個多代理框架，用於端到端 AI 研究監督，透過知識圖譜維持持久的研究世界模型作為共享理解。它具備結構化缺口發現、自校正迴圈分析失敗與偏差，以及跨領域搜尋的自改善迴圈。代理使用共識機制自主更新模型。

Project2Task 是一個圖導向的規劃層，能將自主研究專案拆解為具明確貢獻歸屬、範圍受控且具依賴關係的任務。在十份專案簡述上，其組合品質得分達 7.15，高於簡述基準的 4.58；與 AutoResearchClaw 整合後，任務準確率則由 0.536 提升至 0.759。

Cadenza 是開源 CLI 工具與 Python SDK，用於將 Wandb 日誌連接至自主研究代理。它索引執行中的配置與指標，抽樣頂尖表現以避免上下文腐敗。GitHub、文件與 Pypi 均可取得。