Probe-and-Resume：智能体执行评估的新方法
原文标题：Probe-and-Resume: When and How to Evaluate Agent Execution
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究提出 Probe-and-Resume 方法，针对终端计算机使用环境中 MCTS 搜索效果不佳的问题，改为仅在智能体认为完成时调用 critic，并赋予其读写执行权限以探测隐藏状态。在 Terminal-Bench 2.1 上成功率较传统 MCTS 提升8.4个百分点，成本不到 Codex CLI 智能体的一半。
- 问题
- 终端计算机使用环境中MCTS搜索对任务成功率提升有限，critic评估不准。
- 方法
- 只在智能体自认完成时调用critic，并给它读写执行权限去探测当前与初始状态的fork，被拒后智能体从断点继续。
- 结果
- Terminal-Bench 2.1上成功率比传统critic的MCTS高8.4个百分点，成本不到Codex CLI智能体的一半。
- 影响
- 为终端类智能体提供更便宜有效的测试时搜索方案，省算力的同时提升完成率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Probe-and-Resume 仅在智能体自认完成时调用 critic，Terminal-Bench 2.1 成功率较 MCTS 提升 8.4 个百分点。
- •研究发现所评估的 MCTS 配置在终端环境中未显著提升任务成功，中间状态 critic 排序仅略好于随机。
- •问题根源是智能体观测缺少评估所需环境状态，且中间状态对轨迹成败证据有限。
- •改为仅在智能体自认完成的节点调用 critic，并给其读写执行权限去探测当前与初始状态的分叉。
- •在 Terminal-Bench 2.1 上成功率较传统 critic 的 MCTS 提升 8.4 个百分点，成本不到 Codex CLI 智能体的一半。
为什么重要：测试时搜索在部分可观测的终端环境中收益有限，Probe-and-Resume 给出「何时调用 critic、给多少权限」的具体答案，对做计算机使用智能体的团队有直接参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。