北京
四个智能体，连续跑了27个小时，写了2783个程序，在随机生成的生存世界里击败了末影龙。全程没有人类预先写好的逻辑。
这是最近一批AI研究里最抓眼球的一项。四个Gemini 4 Argon智能体只靠Mineflayer库自主协调，在随机生成的生存世界里完成了从零到通关的全流程。没有脚本，没有预设策略，它们自己摸索着活下来，自己决定下一步做什么。
Mineflayer是一个让程序操控Minecraft角色的库。过去用它做自动化，通常需要人把每一步都写清楚：先砍树，再造工作台，然后挖矿。这次不一样，智能体拿到的是一个空白起点，它们得自己判断什么时候该干什么。
27小时里，它们写了2783个程序。这个数字本身就说明了问题——不是一次性规划好所有动作，而是在过程中不断生成、调整、重写。遇到新情况就写新代码，这种边跑边改的方式，让它们在没有人类干预的情况下走完了整个流程。
同一批研究里还有另外三项工作，方向各不相同。
一项是基于Lean的图搜索方法，用于形式化定理证明，把检索召回率提升了40%。形式化证明对检索的依赖很重，找到相关的已有定理往往是证明能否推进的关键，这个提升幅度不算小。
另一项是在线蒸馏方法，用很少的rollout次数就拿到了接近全部专家增益的效果。蒸馏通常需要大量采样，成本高，这项工作的价值在于把采样次数压了下来，同时保住了效果。
还有一项是记忆评估基准FEB-30。它把记忆拆成三块分别测：召回、生成、检索准确率。单独评估记忆能力，暴露出一个15个百分点的差距——下游问答任务的表现和内在记忆检索的表现对不上。
这个差距值得注意。下游QA准确率会把记忆正确性和检索、生成的表现混在一起，看起来分数不错，但拆开一看，真正正确的记忆操作只有20%。也就是说，模型答对了题，不代表它真的记住了东西，可能只是检索或生成环节把问题掩盖过去了。
四项工作放在一起看，指向的方向不太一样：形式化证明在提检索效率，蒸馏在压采样成本，Minecraft智能体在验证自主规划能力，记忆基准在拆解评估维度。共同点是都在往更少人工预设、更细颗粒度评估的方向走。
对做形式化方法、模型融合、自主规划或者记忆模块的人来说，这几篇都有可以直接借鉴的地方。尤其是那个20%的数字，提醒了一件事：评估记忆能力时，把下游任务分数当成唯一指标，可能会漏掉真正的问题。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
