热点事件持续更新
Snap/MSU SSR 框架性能提升
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Snap/MSU 的 SSR 框架通过自适应搜索最优证据组合，提升了 AI 智能体性能。初步结果显示，随着任务池规模的扩大，基线 harness 的性能反而下降，从 63.0% 提升至 57.7%。作者提出了 Successive Scale Racing（SSR）方法，通过有序证据组上的规模竞赛来解决这个问题。在任务池规模从 40 增加到 200 时，SSR 的通过率从 64.3% 提升至 68.3%，六个设定领先。明川指出，harness 进化必须报告「任务池规模曲线」，禁止将「更多轨迹」视为单调增益。
AI 根据报道生成 · 2 小时前更新
最新进展10月23日 06:05
SSR 框架在任务池规模扩大时显著提升了模型性能，通过率从 64.3% 提升至 68.3%。报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- Agent Control Flash NewsSnap/MSU SSR 框架：自适应搜索最优证据组合，提升 AI 智能体性能
反直觉：进化任务越多理应越好，但初步显示任务池放大后基线 harness 反而掉（例：**63.0%@80 → 57.7%@200**）。现有错处：把「更多轨迹」当单调增益。作者改动：Successive Scale Racing（SSR）——有序证据组上的规模竞赛。硬数字：SSR 在池 **40→200** 时 pass **64.3%→68.3%**；六设定领先。可迁移判断：**明川：harness 进化必须报「任务池规模曲线」，禁只报单池峰值。不要并进 #4 HGM-Dual，也不要并进 #11 Agent S4。**
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。