AITOP
精选
过去 24 小时，从 872 条中筛出 49 条
全部模型产品行业论文技巧
标签：WebArena×
6月11日
15:28
15:23
15:07
6月1日
00:09
5月29日
13:58
13:58arXiv: OpenAI@Alejandra Zambrano, Sara Vera Marjanovic, Imene Kerboua, Xing Han Lù, Leila Kosseim
精选
LLM网页智能体在探索、关键步骤遗漏和任务约束敏感性上存在不足，现有研究认为这些失败源于规划弱点，但自然语言计划表示的影响尚未被系统探索。PlanAhead提出静态规划-执行框架，自动将WebArena任务分为三个难度级别，并在困难任务上评估四种计划表示（顺序子目标、叙事、伪代码、清单）对多模态LLM智能体（OpenAI、阿里巴巴、Google）的影响。引入两个新指标：达成率和解决任务一致性，发现计划形式和底层LLM都显著影响智能体的鲁棒性和任务成功率。
论文LLM智能体规划表示WebArena多模态模型评估指标
推荐理由：做LLM智能体开发的团队终于有了计划表示的系统性对比——选对计划形式能直接提升任务成功率，建议做Web Agent的开发者点开看看具体指标差异。
原文
08:02
AITOP5月29日 08:02
Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？🔥Anthropic 把 AI 编程的“确认键”彻底删掉了！Claude Code 搭载全新 Opus 4.8 模型，长时间任务不跑偏、不废话、不中断，像一个资深工程师一样默默干活，从功能开发到漏洞清扫全包圆，你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”，现在它直接交完整交付物……自主编程的最后一层窗户纸，被捅破了。做自动化开发和代码审查的团队，这个模型建议直接上手，效率差距肉眼可见……Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？