愿景&开源 | 把今天的能力短板,变成通向超级智能的进化路径
通过更稳定的内容版面、清楚的上下文信息与推荐阅读衔接,让文章阅读节奏保持专注与延续。
聚焦赛事观点、动态追踪与阅读延展
愿景&开源 | 把今天的能力短板,变成通向超级智能的进化路径
Anthropic 工程师刚刚提出 “95% 的工程师已经在跑自我改进循环。” RSI 热潮推到眼前,递归循环跑起来了,AI 究竟变强了多少?本文将公开 Theseus Lab 进化纪元的洞察和愿景,并开源 3 项相关工作。 模型的能力,正在以月为刻度向前推进,但能力的进步并不同步。 当你和 AI 说 “生成好看的 vlog“,它给出的成果却是另一类风格,因为【好看】的指令不够清晰,需再沟通多轮。 即使指令给的足够细致,AI 依然很难做到企业级交付如装潢,因为这涉及到多环节统筹,单节点出错会导致交付偏差。 哪怕 AI 记住各环节需求,做到了存储记忆,但规则会迭代 & 需求会更新,新变动依然会导致新问题。 现实世界永远充满模糊的诉求、意外的突发变动,所以无法 100% 全程放心地交给 AI。人类不得不依然从指令、检查、修正等角度付出时间精力。 Theseus Lab 的工作区测试也反映了类似的问题,从 8 月的 GLM、9 月的 MiMo、10 月的 DeepSeek 到 11 月的 HY4,跨源证据整合与受限环境探索的得分均提高约 22 分,状态追踪和例外推理也持续走高。模型正从检索、写作和代码生成,走向处理更复杂的真实工作,但过度行为抑制、约束决策等方面的能力提升仍然有限。 一、愿景:超级智能的自进化驾舱 为把自进化能力开放服务于现实世界,Theseus Lab 现已依托三层自进化技术路线逐步开展: 1.1 开放环境中的自主探索 模型的能力提升不再局限于标准测试集,而是延伸到真实、开放的业务、创作与科研环境,在自主探索中理解现实需求、应对环境变化。 例如,在上面工作区实验中,用户提出模糊要求,模型需寻找关键线索,主动查询相关数据源。 原始 GLM-5.3-Flash 在这类任务的得分仅为 34.3,而充分获取材料上下文的模型则可达到 100。 1.2 实践经验的持续内化 Anthropic 的研究提出,Agent 需要类似人脑睡眠整理记忆的 “梦境” 过程,在任务结束之后回看全部日志,固化有效经验。我们的思路与之相通:单次项目踩过的坑和收获的经验,转化成通用可复用能力。 例如,只需说 “帮我写周报”,它就能串联工作记录并按你的风格和汇报重点成稿。 在涵盖真实个人 12 个月工作轨迹的长程任务测试中,此方法在检索增强、技能记忆等多项比较里取得了最佳成绩。 1.3 从一阶改进走向二阶进化 已有自进化方法多是在既定的方法下,根据反馈不断调整结果。我们让 AI 审视这些方法本身:怎样改变尝试的方向和方式能取得更大的突破? 例如,研发连续做了多轮实验,若继续修改方案再试,是一阶改进;能调整实验顺序和判断标准,则是二阶改进。 在实验中,相比始终采用固定改进方法,让改进器自我迭代带来了 12 个百分点提升。 以上三层自进化机制成熟跑通后,开篇图例中列举的 AI 诸多短板,便能从底层获得回应,超级智能的演进会持续对齐人的真实目标。 二、【逐步开放】近期技术成果开源 理想的轮廓已经清晰,现实 AI 前沿模型距离超级智能还有多远?想客观衡量必须跨越不同任务类型开展对照,我们也将开放对应的参照尺度。 Theseus Lab 进化纪元联合生态伙伴: Humanlaya、小红书开源三项具体的技术成果,含代理能力、专精能力、高阶进化能力。 开源 01. 真实企业项目揭示前沿模型代理交付能力短板 把项目交给 Codex、Claude Code,为什么还得人兜底? https://deliverbench.github.io OpenAI、Anthropic 等的智能体工具,已经能替人干很多活,却还不能让人放心把整个项目交出去。写报告、做模型、整理材料,单独拿出来都像模像样;一旦让它负责整个项目,人还是得盯进度、查结果、补漏洞。 实测中 Qwen3.8Max 把公司的全部借款,误当成某笔贷款的待偿余额,错误顺着任务依赖链进入了最终交付。每步都生成了文件,整套成果却建立在同一个错误上。 在 DeliverBench 中,我们让这些智能体接手完整的专业项目:接着自己的成果往下做,处理陆续到来的材料和反馈,最终交付可验收的成果,检验它们从 “能帮忙” 到 “能交付” 究竟还差在哪。 在这项覆盖全部 11 个项目的七个 Agent 系统评测中,前沿模型的最高平均最终交付分仅为 65.0/100;且若以 90 分为子任务通过的阈值,最高通过率仅为 50.0%。 这背后暴露了开篇我们提到的 “前沿 AI 能力并不均衡” 的关键问题,让它们完成一项明确交办的工作,往往表现不错;若持续负责整个项目,短板的能力问题就暴露出来了: Project Mars 再融资项目下,五个前沿模型的不均衡能力表现 DeliverBench 的设计初衷:是沿着完整项目链条做全流程检验,把那些
内容检索
热点新闻
69岁张铁林聚餐照曝光,叼着烟斗涮铜锅,一桌老北京规矩,栽在一口烟上,网友吵翻:私人饭局该不该管
照片传出来的那天,很多人先看的是桌子。正中间一口紫铜锅,炭火烧得正旺,锅子四周铺开一片:手切羊肉码成小山,百叶、冻豆腐、白菜、粉丝各占一角,糖蒜搁在手边。张铁林坐在桌旁,帽檐压着,嘴里叼着他那口标志性的烟斗,眼神落在锅里,一副很松弛的样子。 这桌菜其实很讲究。老北京铜锅涮肉,锅底只有清水、葱段、姜片、几粒枸杞,不放盐不放油,靠的是“清水验肉”:肉新不新鲜、是不是手切、有没有膻味,第一口就藏不住。麻
U17世界杯16强出炉!东亚3队获头名,1/8决赛对阵:中国女足VS法国
北京时间10月26日,U17女足世界杯小组赛全部结束。晋级淘汰赛16强的队伍也全部出炉。 在E组末轮头名对决中,中国女足3-2力挫美国队,获得本组头名出线。三支来自东亚的参赛队中国、日本和朝鲜均获得各自小组头名。 16强具体出线队分别为: 德国(A组第1)、阿根廷(A组第2)、摩洛哥(A组第3) 朝鲜(B组第1)、尼日利亚(B组第2)、波兰(B组第3) 巴西(C组第1)、加纳(C组第2) 日本(D
CBA丨北京首钢豪取七连胜 布朗、桑普森面对旧主各砍20分
11月1日晚,北京首钢男篮回到主场,以114比76大胜浙江广厦。原本两支球队就存在实力差距,再加上浙江广厦又缺少了胡金秋、朱俊龙、孙铭徽等核心球员,因此这场比赛呈现出一边倒的局面。值得一提的是,这场比赛是现效力于首钢男篮的后卫外援布朗,第一次面对旧主广厦,他全场12中7,得到20分、4助攻。 今年夏天,首钢男篮重金引入了前浙江广厦超级外援布朗。布朗此前在广厦效力了两个赛季,曾经在2024-2025
狄龙谈对阵KD和火箭:我会喷些垃圾话 保持高强度的身体对抗
直播吧11月8日讯 今日,太阳102-99击败火箭,赛后,狄龙·布鲁克斯接受了记者的采访。 狄龙·布鲁克斯在采访中透露,在对阵凯文·杜兰特及自己的老东家火箭时,他是如何拿捏激烈对抗尺度的。狄龙·布鲁克斯说:“我会在场上窃窃私语,跟对手喷些垃圾话,努力通过交流让裁判明白,即便这已经是我的第10个赛季,我依然充满激情。我就是一个充满激情的球员。我为自己在场上的大吼大叫道歉。当我和对手单独对位时,我只说
赵丽颖起诉红果短剧,事情闹大了!
后台回复品牌免费获得 《50本品牌营销必读书》 作者 | 八个橙 来源 |互联网品牌官 近日,赵丽颖起诉红果短剧肖像权纠纷案在北京市门头沟区人民法院开庭。 她指控平台内部分短剧未经许可,用AI换脸、融脸技术把她的面部合成进角色,甚至直接拿她的照片做封面引流。 她要求停止侵权、公开道歉,并索赔经济损失与维权开支共81万元。案件还在审理,没出判决,可它已经把AI短剧里那层遮羞布扯了下来。 这事儿之所以