术语slug: long-horizon-tasks

长周期任务

Long-horizon Tasks

需在数小时沙箱内多步规划、调用资源并迭代验证的复杂智能体任务形态

收录情报动态

共 37 篇 · 第 1/4 页
Rohan Paul (@rohanpaul_ai)T2·智能体与协同
78 分
SWE-CoWork 基准发布 智能体完整交付率不足 8%

TokenWave AI 发布 SWE-CoWork 基准,将编码智能体置于模拟职场中,82% 的需求分散在队友手中,智能体必须主动询问才能获知任务内容。在 101 个真实开源仓库任务上,最强模型单项检查通过率约 63%,但完整交付的仅 8 项,暴露出长周期协作与信息获取是当前智能体的核心短板。

Import AI (Jack Clark)T1·智能体与协同
72 分
FrontierML 基准:AI 智能体可花 200 美元自主提升模型性能

研究者发布 FrontierML 基准,用 21 个端到端机器学习长周期任务衡量智能体将资金转化为模型性能的能力。每个任务提供 12 小时 CPU 沙箱与 10 至 200 美元预算,前沿系统已能通过外包子任务等方式自主改进表现。这既反映 AI 研发能力的提升,也指向智能体之间相互分包工作的机器经济雏形。

Hacker News AIT2·基座大模型
62 分
600 次实验揭示 JEPA 世界模型规划新路径

作者通过 600 次实验系统检验了 JEPA 世界模型的规划能力,提出仅改变规划方式即可让模型在零额外训练下完成长程物理任务。核心发现是对记忆图施加变换以动态生成子目标,使模型能泛化到分布外目标;但模型尚不能自主选择无示范的子目标。

IT之家 · 智能时代T2·基座大模型
62 分
谷歌 Android Bench 新增 Kimi 与 DeepSeek 评测

谷歌首次公开 Android Bench 上 Kimi K3.1 Pro 与 DeepSeek V4.1 Flash 的实测成绩,前者以 24.0% 通过率超过 Claude 与 Gemini 系列,后者以 9.9 美元单次成本展现显著性价比。该基准聚焦真实 Android 工程任务,为开发者选型提供了可量化的长程智能体能力参照。

GREG ISENBERG (@gregisenberg)T2·基座大模型
78 分
谷歌发布 Gemini 4 Carbon 主打长程任务与安全

谷歌在 Argon 发布两周后推出 Gemini 4 Carbon,定位为面向长周期任务的模型。早期测试显示其在 Terminal-Bench 上的作弊率与灰天鹅基准的提示注入成功率均降至 0%,安全代码编写速度达 Argon 的两倍,并在 Sec-Bench Pro 上发现 88% 的漏洞。定价为每百万 token 输入 2 美元、输出 10 美元,缓存输入享 95% 折扣,显著降低长时运行智能体的成本。

IT之家 · 智能时代T2·基座大模型
58 分
腾讯混元 Hy4 调用激增 推理集群紧急扩容十倍

腾讯混元 Hy4 正式版在 WorkBuddy 首发接入后首日即出现大量用户触及额度,官方对推理集群紧急扩容十倍并上调免费体验额度,同时将 Hy3 限免延长至 11 月 15 日。Hy4 相比预览版显著扩展预训练与后训练规模,首次引入视觉能力,官方称其首次跻身最强开源模型之列,并将在近期开源权重与系统卡片。

Hacker News AIT2·基座大模型
72 分
腾讯发布 Hy4 开源模型 首次加入视觉能力

腾讯正式发布 Hy4,相比预览版大幅扩展预训练与后训练规模,首次引入视觉能力,并在指令遵循、长上下文理解、长程任务与深度研究等维度显著提升。官方称其首次跻身最强开源模型行列,并通过与腾讯产品团队协同设计提升实际生产力场景的可用性。

IT之家 · 智能时代T2·基座大模型
78 分
腾讯混元 Hy4 正式版发布 首次引入视觉与电脑操作能力

腾讯发布混元 Hy4 正式版,相比 preview 版显著扩展预训练与后训练规模,首次引入视觉理解与电脑操作能力,并大幅提升指令遵循、长文理解与长程任务表现。官方称其首次跻身最强开源模型之列,计划近期开源权重并联合 vLLM/SGLang 生态提供支持,但坦承在数学、长程开发等高难度测试集上仍与顶尖闭源模型存在较大差距。