跳到正文
  1. Simon Willison87

    External sandboxes for coding agents

    外部沙箱用于编码代理:我探索了新的方法来沙箱执行由代理的代码,重点在于在不担心误操作或提示注入攻击可能导致机器受损的情况下安全地尝试本地模型。我与Prime Radiant(Superpowers等项目的AI研究实验室)合作开发了该项目。Prime Radiant博客上的帖子介绍了外部沙箱模式,其中代理执行的代码在专用沙箱内运行,而代理本身则位于该沙箱之外。为演示该模式,我们发布了三种沙箱服务器实现:external-sandbox-v86运行一个Node.js服务器,然后使用v86在WebAssembly中运行Alpine Linux;external-sandbox-container是一个Python Web服务器,运行沙箱在Apple Containers实例中;external-sandbox-quicksand是另一个Python Web服务器,使用Microsoft的Quicksand沙箱库。

    推荐理由:请对照Simon Willison原文,核对完整说明及适用条件。

  2. GitHub Changelog88

    GitHub Copilot Fusion updates: more availability, benchmarks, and models

    今天,我们正在通过新的模型扩展GitHub Copilot Fusion,其在更多Copilot表面可用,并在两个公共Terminal-Bench排行榜上取得成果,为您提供更多使用Fusion的方式和比较方法。GitHub Copilot Fusion更新内容:更多可用性、基准测试和模型首次出现在GitHub博客上。

    推荐理由:请对照GitHub Changelog原文,核对完整说明及适用条件。

  1. Apple Machine Learning Research87

    Online Dense Reinforcement Learning with Planning-Grounding Agent for UI Navigation on Live iOS Apps

    尽管前沿视觉语言模型在用户界面(UI)导航方面表现出色,但其高推理成本限制了日常使用。相反,通过监督微调(SFT)或离线强化学习训练的小型模型往往记忆静态轨迹,导致执行脆弱且无法从错误中恢复。为解决这些问题,我们提出一种新的在线强化学习框架,直接在实时运行的iOS应用程序上训练UI导航代理。我们的框架将代理解耦为两个专用组件:规划模块/...

    推荐理由:请对照Apple Machine Learning Research原文,核对完整说明及适用条件。

  1. Apple Machine Learning Research83

    Selection-Based Structured Reasoning: Toward Efficient Multimodal Search Agents

    多模态代理在执行每个动作前通常生成自由形式推理。小型模型因模型容量有限,可能导致推理过程冗长,虽能提供少量有用指导,但会带来较高的推理成本。为解决此问题,我们引入基于选择的结构化推理(SSR),该框架将推理转化为选择而非开放式生成。SSR将重复的高层推理表示为预定义、可复用的自然语言候选。在每一轮中,模型根据候选推理内容进行选择,以优化推理效率。

    推荐理由:请对照Apple Machine Learning Research原文,核对完整说明及适用条件。

  1. Apple Machine Learning Research83

    The Design Space of Tri-Modal Masked Diffusion Models

    离散扩散模型作为自回归语言模型的有力替代方案,近期工作从文本、图像-文本和音频-文本数据中零初始化并微调基础单模态模型,实现多模态生成。与以往方法不同,我们首次提出三模态掩码扩散模型(MDM),并系统分析多模态缩放规律、模态混合比例、噪声调度、批大小效应,提供优化的推理采样默认值。批大小分析得出新颖的随机微分方程(SDE)...

    推荐理由:请对照Apple Machine Learning Research原文,核对完整说明及适用条件。

已经到底了