扫描下载APP
其它方式登录
加州大学伯克利分校与Sakana AI团队提出多Agent自监督（MASS）方法，通过让同一模型交替担任任务求解、工作流优化和评估角色，在冻结权重下搜索最优多Agent协作工作流，并将高质量执行轨迹蒸馏回共享模型，显著提升科研任务胜率与基准得分，为递归自我改进（RSI）提供可靠自监督机制。
加州大学伯克利分校团队提出Do as I Do方法，首次实现从单目RGB互联网视频（如YouTube）端到端生成灵巧手可执行轨迹：先稳定重建4D手-物交互，再将噪声轨迹稳健重定向至22自由度Sharpa Wave灵巧手，在双UR3e平台完成10项真实任务50Hz部署。
Anthropic两周内接连引进诺奖得主John Jumper、伯克利EECS计算机科学系主任Jelani Nelson及多名Gemini核心研究员，凸显AI公司从争夺工程人才转向抢夺理论计算机科学顶尖学者，聚焦算法效率、数据压缩与计算复杂度等底层理论能力，以应对模型规模与算力瓶颈。
UC伯克利发布全新AI智能体基准测试Agents’ Last Exam（ALE），聚焦真实工作场景，要求模型在Siemens NX、Unreal Engine、Adobe After Effects等专业软件中完成实际任务。结果显示GPT 5.5在通过率、成本和效率上全面优于Claude Fable 5，暴露当前AI智能体在复杂实操任务中的能力局限与高成本低效问题。
