北大 NUS 论文:具身智能体刷的是判据不是任务
DAGroup-PKU · hf · 2026-11-13
北京大学与新加坡国立大学团队发布论文《Learning the Task or Learning the Verifier?》,研究具身自改进智能体中的「判据暴露」(Criteria Exposure)现象。
- 将基准的成功判据暴露给自改进的具身编码智能体,可以在这些判据上抬高测得成功率,但并不提升按指令完成任务的真实能力
- 这种优势在判据稍作改动后就明显减弱,跨任务迁移也很差
- 作者提出忠于指令的判据(instruction-faithful criteria)能更真实地反映智能体完成指令任务的水平,提醒社区警惕「刷验证器而非学任务」的评测偏差
「编程与Agent」频道最新
- Codex 用 base64 把图片塞进日志,1200 张图实际存了 12GB — Yamapama · 2026-11-13
- 用户实测:Codex 把 1200 张生成图偷偷存了三份副本 — Yamapama · 2026-11-13
- 用 MCP 几次点击即可让 AI 连接邮箱、CRM 并协同行动 — emmanuelvivier · 2026-11-13
- 实测 Agent Substrate:官方宣称每秒500份简历,单节点只跑出37 — ghumare64 · 2026-11-13
- 开源自托管 AI 空间 Nautilo 发布：多用户多智能体同房间协作 — Dan_Jeffries1 · 2026-11-13
- 傅盛：Fable 5.2 一句提示词工作 20 小时，做出网页版类王者荣耀 — FuSheng_0306 · 2026-11-13