lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
หน้าแรก
AI
OPRR
ด่วน
ความลึก
กิจกรรม
BlockBeats Pro
เพิ่มเติม
การเงิน
พิเศษ
ระบบนิเวศบล็อกเชน
รายการ
พอดแคสต์
ข้อมูล
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
Partnered With:

เครื่องมือจะคล่องแค่ไหนก็เดาใจคนไม่ถูก Meituan เปิดตัวเกณฑ์มาตรฐานใหม่สำหรับเอเจนต์อัจฉริยะ VitaBench 2.0

ตามการติดตามของ Beating ทีม LongCat ของ Meituan ร่วมกับมหาวิทยาลัยแห่งชาติสิงคโปร์ มหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีแห่งประเทศจีน มหาวิทยาลัยไปรษณีย์และโทรคมนาคมปักกิ่ง และมหาวิทยาลัยเจ้อเจียง เปิดตัวเกณฑ์มาตรฐานการประเมินเอเจนต์อัจฉริยะ VitaBench 2.0 ระบบประเมินนี้ขยายการทดสอบโมเดลขนาดใหญ่จากงานครั้งเดียวไปสู่บริการในชีวิตประจำวันแบบหลายเซสชันระยะยาว โดยประเมินประสิทธิภาพของเอเจนต์อัจฉริยะในการสร้างแบบจำลองส่วนบุคคลและการโต้ตอบเชิงรุก

การทดสอบจำลองปฏิสัมพันธ์ระหว่างมนุษย์กับเครื่องจักรในระยะยาว ประกอบด้วยโปรไฟล์ผู้ใช้ 56 รูปแบบ การระบุความชอบแบบไดนามิกมากกว่า 2,000 รายการ และคำขอบริการ 819 รายการในด้านต่างๆ เช่น การจัดส่งอาหาร การใช้จ่ายในร้านค้า และการท่องเที่ยวออนไลน์ ผลการทดสอบพบว่า เมื่ออัตราข้อผิดพลาดในการเรียกใช้เครื่องมือลดลงอย่างมีนัยสำคัญ การจับและนำความชอบของผู้ใช้ไปใช้ได้กลายเป็นอุปสรรคหลักที่จำกัดการนำเอเจนต์อัจฉริยะไปใช้จริง

ในการประเมินโมเดล前沿หลายรุ่น ข้อบกพร่องของโมเดลขนาดใหญ่ในบริการส่วนบุคคลระยะยาวถูกเปิดเผยอย่างชัดเจน แม้ในโหมดบริบทเต็มรูปแบบที่เหมาะสมที่สุดซึ่งสามารถอ่านประวัติทั้งหมดได้ คะแนนเฉลี่ย (Avg@4) ของ Claude-Opus-4.6 ที่ทำงานอิสระสี่ครั้งอยู่ที่เพียง 0.503 ส่วน DeepSeek-V4-Pro ซึ่งเป็นโมเดลที่ไม่ใช้การคิดที่แข็งแกร่งที่สุดก็มีเพียง 0.456

โมเดลส่วนใหญ่เมื่อเพิ่มโมดูลหน่วยความจำภายนอกแล้ว ประสิทธิภาพไม่สามารถเกินเกณฑ์พื้นฐานของบริบทเต็มรูปแบบได้อย่างเสถียร หน่วยความจำที่เอเจนต์อัจฉริยะควบคุมเองมักสูญเสียข้อมูลระหว่างการอัปเดต ในขณะที่การดึงข้อมูลเสริมการสร้าง (RAG) มักถูกรบกวนจากสัญญาณรบกวนที่มีลักษณะคล้ายคลึงกัน นอกจากนี้ การเปิดโหมดการคิดไม่มีข้อได้เปรียบเชิงระบบสำหรับการสร้างแบบจำลองส่วนบุคคล ซึ่งแสดงให้เห็นว่าการกรองสัญญาณรบกวนและการถามเชิงรุกไม่สามารถแก้ไขได้ด้วยการใช้ตรรกะเพียงอย่างเดียว

การทดสอบยังเผยให้เห็นจุดอ่อนของโมเดลขนาดใหญ่ในการถามเชิงรุกและการใช้ความชอบ เมื่อข้อมูลไม่เพียงพอ โมเดลมักเดาอย่างสุ่มสี่สุ่มห้าและตัดสินใจก่อนเวลาอันควร ส่งผลให้ประสิทธิภาพของเอเจนต์ Claude ในงานโต้ตอบเชิงรุกลดลงจาก 46.0 เหลือ 27.4 DeepSeek จาก 44.1 เหลือ 27.8 และ GLM จาก 36.4 เหลือ 19.3 แม้จะป้อนข้อมูลความชอบมาตรฐานที่แม่นยำที่สุดลงในหน่วยความจำโดยตรง คะแนนของ DeepSeek และ Claude ก็มีเพียง 52.7 และ 51.2 ซึ่งแสดงให้เห็นว่าในการตัดสินใจจริงของโมเดลขนาดใหญ่ การจัดลำดับ บูรณาการ และดำเนินการตามความชอบของผู้ใช้อย่างเหมาะสมนั้นยากกว่าการดึงความชอบออกมาเสียอีก

การวิเคราะห์สาเหตุของข้อผิดพลาดแสดงให้เห็นว่า เมื่อความสามารถของโมเดลขนาดใหญ่พัฒนาขึ้น ข้อผิดพลาดที่เกี่ยวข้องกับการใช้เครื่องมือลดลงอย่างมีนัยสำคัญ ในขณะที่ข้อผิดพลาดที่เกิดจากความเข้าใจผิดในความชอบเริ่มครอบงำ อุปสรรคหลักของเอเจนต์อัจฉริยะในอนาคตจะไม่ใช่การเรียกใช้เครื่องมือเพียงอย่างเดียวอีกต่อไป แต่คือการเข้าใจและจดจำความหมายแฝงของผู้ใช้อย่างแท้จริง

举报 แก้ไข/รายงาน
ที่เกี่ยวข้องแนะนำ
กลุ่มเมย์ถวน (Meituan) ซุนเว่ยแคปิตอล (Shunwei Capital) และสถาบันภายใต้เหลียงเหวินเฟิง (Liang Wenfeng) มีกำไรลอยตัวที่น่าพอใจ ขณะที่ DJI พลาดโอกาสได้รับผลตอบแทนมหาศาลเนื่องจากการลงทุนในช่วงแรกไม่สำเร็จ
ในคืนก่อนการเสนอขายหุ้น IPO นักเทคโนโลยีหน้าใหม่ หวังซิงซิง ทำให้มูลค่าตลาดของบริษัท ยูชู เทคโนโลยี เพิ่มขึ้นถึง 17,900 เท่าได้อย่างไร
หุ้นฮ่องกงสร้างเศรษฐีเร็วที่สุดในประวัติศาสตร์
แก้ไข/รายงาน
ส่ง
เพิ่มคลัง
เห็นได้เฉพาะตัวเอง
สาธารณะ
บันทึก
เลือกคลัง
เพิ่มคลัง
ยกเลิก
เสร็จสิ้น