Rohan Paul (@rohanpaul_ai)T2·88 分
Claude 协助证明黎曼猜想 1700 万行代码获 Lean 社区认证
原标题:great.
- Claude 在 Alpöge 未掌握的高阶领域提出关键步骤,整体工作约六周完成
- 全部论证被形式化为约 1700 万行 Lean 代码,实现机器可验证
- Lean 官方社区在一天内完成认证,确认证明正确性
AI 聚合热点事件 · 2026/11/21
腾讯元宝与伦敦国王学院 NLP 团队联合发布 GroupAssistBench,这是首个针对群聊场景的 Agent 记忆能力评测基准。该基准基于 50 个真实群聊的 80,299 条历史消息,构建了 2,395 道评测题,覆盖单条记忆、多记忆整合与更新冲突三类结构,并首次将记忆能力拆分为 L1 事实召回与 L2 开放式服务两个层级。
实验对比 14 组配置后发现,记忆召回更强并不等于服务能力更强。例如,EverMemOS 在 L1 得分 0.621,高于完整上下文的 0.570,但在 L2 仅得 0.247,远低于后者的 0.431。这表明检索增强与外部记忆方案在开放式服务任务上普遍落后于完整上下文,为 Agent 记忆系统的设计提供了重要警示。
该基准的论文、代码与数据集均已公开,有望推动群聊 Agent 记忆研究的标准化与可复现性。随着 AI 助手日益融入群聊协作场景,如何平衡记忆召回与服务能力将成为开发者关注的核心问题,此项工作为后续优化指明了方向。
曲线只比较全程持续完整观测的同一批信源;缺口小时数据已插值平滑,保持趋势连续。
原标题:great.
原标题:8万条群聊消息做成考卷:腾讯元宝×KCL发布首个基于群聊构建的Agent记忆基准