MASS 复现:单模型自编排自审查,研究类基准得分提升 1.2-1.6 倍
idanbeck · x · 2026-10-28
idanbeck 针对 Alibaba 与 Cornell 关于编码 agent harness 中验证机制的论文制作了讲解视频,并补充了对 MASS 方法的实验:让同一个模型同时担任编排者、worker 与 judge,再基于团队轨迹做微调。结果显示在研究类基准上每 token 得分提升 1.2-1.6 倍,但在 Terminal-Bench 上持平(0.96x)。此前原论文发现独立的 reviewer agent 在 Terminal-Bench 上可加 5.9-9.5 分,成本仅为基线的 1.13-1.25 倍,研究比较了 17 种验证设计、覆盖七个前沿编码模型。
所属事件:阿里康奈尔研究编码智能体验证机制,MASS 复现获 1.2-1.6 倍提升(2 条相关)→
「编程与Agent」频道最新
- 网友设想「代客爱尔兰式离场」AI 助手：替你告别并许约 — vhanagwal · 2026-10-28
- 开发者用 Opus 5.5 三周写出 Go 桌面 GUI 框架 MyGo — dotey · 2026-10-28
- Karpathy GitHub 免费学习路线走红：从 micrograd 到 nanochat 六步吃透 LLM — lmoroney · 2026-10-28
- CopilotKit 携手 Very Good Ventures 为 Flutter 打造 AG-UI 移动端 SDK — rseroter · 2026-10-28
- 单个 agent 会话连续运行近一个月,474M tokens 花费 5856 美元 — RulinShao · 2026-10-28
- Chef 创始人 Adam Jacob:彻底围绕 AI 重建工程，craftsmanship 会回来 — RealGeneKim · 2026-10-28