只会改 prompt、换模型，不等于会改进一个 Agent 系统；关键是能否看出瓶颈在数据、训练器，还是推理 harness。 https://arxiv.… · @vintcessun · TwKit

@vintcessun

只会改 prompt、换模型，不等于会改进一个 Agent 系统；关键是能否看出瓶颈在数据、训练器，还是推理 harness。 https://arxiv.org/abs/2610.26342 VibeTraining-Bench 给研究智能体固定资源预算，让它依据验证反馈反复修改这三部分，再到隔离测试集评分。任务涵盖软件工程、多轮工具使用等。论文报告，GPT-6-Astra 将 SWE-bench Verified 从 32.9% 提升到 53.7%，接近人工系统的 55.4%。不过分析也显示，跨组件协同和累积迭代仍是当前智能体的短板。

曝光 16 · 评论 2 · 点赞 0 · 书签 0