پژوهش
FLEET نمونه‌گیری تکراری LLM را به جست‌وجوی حافظه‌محور تبدیل می‌کند
FLEET با استفاده از حافظه در decoding، بهبود LiveCodeBench و حدود ۳ برابر بهره‌وری نمونه‌گیری را گزارش می‌کند؛ با محدودیت‌های مهم در استقرار.
قابلیت‌های جدید و نوآوری‌های فنی
-
عامل‌های هوشمند
مایکروسافت Copilot را به زیرساخت اجرای عامل‌های ماندگار در محیط کار تبدیل می‌کند
Home، Code، Autopilot و Managed Runtime معماری Copilot را به لایه‌ای برای اجرای عامل‌های ماندگار و نرم‌افزار سازمانی تبدیل می‌کنند.
-
عامل‌های هوشمند
Microsoft Foundry اجرای زمان‌بندی‌شده و رویدادمحور عامل‌ها را به سرویس مدیریت‌شده تبدیل کرد
Routines اجرای زمان‌بندی‌شده و رویدادمحور عامل‌ها را با مدیریت هویت، تاریخچه اجرا و ادامه کار در Foundry فراهم می‌کند.
-
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
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
Claude یک سامانه آنزیمی ناشناخته پیدا کرد؛ ارزش نتیجه را آزمایشگاه تعیین می‌کند
Anthropic می‌گوید عامل‌های Claude یک سامانه آنزیمی ناشناخته را در داده DNA پیدا کرده‌اند؛ آزمایش اولیه امیدوارکننده است اما کارکرد ART هنوز مشخص نیست.
-
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.
