عاملهای هوشمند
-
عاملهای هوشمند
Cursor عاملهای کدنویسی را با Rollouts و Security Review از pull request فراتر میبرد
Rollouts و Security Review عاملهای Cursor را از pull request به پایش سلامت استقرار و بازبینی امنیتی میبرند.
-
پژوهش
Project Swap آنتروپیک نشان میدهد گلوگاه بازار عاملها شاید فهم خواستههای انسان باشد
آزمایش ۲۰۱ نفره Project Swap نشان میدهد در بازارهای عاملمحور، فهم دقیق ترجیحات کاربر میتواند گلوگاهی مهمتر از خود مذاکره باشد.
-
پژوهش
DAYJOB فاصله میان «اجرای دستور» و «انجام واقعی یک شغل» توسط عاملهای هوش مصنوعی را نشان میدهد
DAYJOB عاملهای هوش مصنوعی را در کارهای طولانی سلامت و مالی با درخواستهای نامرتب میسنجد؛ بهترین نرخهای موفقیت گزارششده هنوز زیر ۲۵ درصد است.
-
پژوهش
AIDE² عامل پژوهشی را بازنویسی میکند، اما آزمونهای پنهان نسخه بعدی را انتخاب میکنند
AIDE² در یک آزمایش هشتروزه کد پیرامونی عامل پژوهشی خود را تغییر داد و نسخههای بهتر را با ارزیابیهای پنهان انتخاب کرد؛ محدودیت اصلی همچنان کیفیت همین مرز ارزیابی است.
-
پژوهش
برای کنترل عاملهای خودکار، سیاست خوب کافی نیست؛ اطلاعات تصمیم هم باید کافی باشد
پژوهشی تازه روشی برای محاسبه حداقل اطلاعات لازم در سازوکار مجوزدهی عاملها ارائه کرده و کد و شواهد بازتولید را منتشر کرده است.
-
عاملهای هوشمند
DeepSeek Harness 0.1.7 ترکیب عاملها را به یک محیط افزونهای پویا نزدیکتر میکند
DeepSeek Harness در 0.1.7 افزونهها را در زمان اجرا ترکیبپذیرتر کرده است؛ Aipolix پیامدهای عملی این معماری را بررسی میکند.
-
مدلهای جدید
GPT-6 Sol و Luna مسیریابی بین مدلها را به تصمیم اصلی هزینه در عاملها تبدیل میکنند
اختلاف قیمت Sol و Luna معماری چندمدلی را مهمتر کرده است. Aipolix هزینه مأموریت کامل، زمینه بلند و اقامت داده را بررسی میکند.
-
مدلهای جدید
Claude Opus 5.5 ارزانتر شده، اما مسیر اجرای بعضی درخواستها هم تغییر کرده است
Opus 5.5 قیمت توکن و حافظه نهان را کاهش داده و بعضی درخواستهای حساس را به مسیر دیگری میفرستد؛ پیامد آن برای ارزیابی عاملها چیست؟
-
مدلهای جدید
Grok 4.7 عرضه شد؛ هزینه واقعی عاملها به تعداد توکن محدود نیست
تعرفه پایه Grok 4.7 ثابت است، اما مصرف بیشتر توکن خروجی و قیمتگذاری متفاوت متنهای طولانی میتواند هزینه نهایی کار را تغییر دهد.
-
عاملهای هوشمند
آسیبپذیری Plugin4Shell نشان داد افزونهٔ تأییدشده هم ممکن است با کد دیگری نصب شود
بررسی دقیق Plugin4Shell، وضعیت اصلاح Claude Code و Codex، ابهامهای Copilot و Gemini CLI و راه بررسی کد واقعی افزونهها.