标签
本文介绍了OfficeEval，一个基于中国全国计算机等级考试（NCRE）的基准测试，用于评估大语言模型代理在复杂办公自动化任务上的表现。前沿模型在单轮交互中最高得分36.6%，在使用智能体系统时达到68.8%，远低于人类水平。
SpatialWorld是一个统一的基准测试，用于评估多模态智能体在各种真实世界任务中的交互式空间推理能力。结果表明，即使是最强大的模型，其任务成功率也很低。
AHA-WAM是一种异步世界动作模型，采用双扩散Transformer将世界预测与动作执行解耦，实现了高效的长视野规划和实时控制。它在机器人操作任务上达到了最先进的性能，在RoboTwin上成功率达92.8%，在现实世界任务中达78.3%，同时实现了24.17 Hz的闭环控制。
本文认为，大型语言模型在因果推理和长时域规划方面存在困难，其原因在于序列预测与对潜在环境动态的推理之间存在目标层面的不匹配，并引入了潜在动态推断视角以及Flux环境来研究这些局限性。
本文介绍了DAWN，一种用于世界-动作交互模型（WAIMs）的潜在生成基线，通过递归细化联合建模场景演化与动作生成，在自动驾驶场景中实现了强大的长时域规划性能。
来自 PwC 的一篇新论文挑战了智能体澄清中“越早越好”的直觉。研究通过一个强制注入框架表明，目标澄清的价值会迅速流失，而输入澄清则在更长的时间内保持有用。该研究提供了关于智能体何时应提问的定量需求曲线，揭示了当前前沿模型经常在错误的时机进行澄清。
MIT研究人员开发了VLMFP，这是一种结合视觉语言模型与形式化规划软件的两阶段生成式AI方法，在机器人导航等复杂视觉规划任务中达到了70%的成功率，比现有基线方法高出近2.3倍。该方法能自动将视觉场景转化为传统求解器可处理的规划文件，从而在新环境中实现高效的长期规划。