2026. július 13., hétfő · Kutatás

Strukturált memóriával győzték le a Slay the Spire 2-t az AI-ágensek, miután a frontier modellek rendre kudarcot vallottak

Az Alaya Lab és a Shanghai Jiao Tong University kutatói által fejlesztett AgenticSTS nevű rendszer a Slay the Spire 2 kártyajátékban ért el győzelmeket, miközben korábbi AGI-Eval teszteken egyetlen frontier modell sem tudott nyerni öt különböző beállítás egyikében sem. A kulcs a The Decoder beszámolója szerint az, hogy az ágens nem a folyamatosan növekvő csevegésnaplóból dolgozik, hanem minden döntést öt elkülönített memóriasávból épít újra: fix protokoll, állapotleírás, szabálykeresés, korábbi futások összefoglalói és szituációfüggő stratégiák. Az emberi játékosok a legkönnyebb nehézségi szinten 16 százalékos arányban nyernek a fejlesztők adatai szerint. A kutatás nem lektorált, de arra mutat rá, hogy a kontextuskezelés architektúrája fontosabb lehet, mint maga a nyelvi modell kapacitása.

Miért fontos?

A megközelítés azt mutatja, hogy a kontextusablak strukturálása radikálisan javíthatja az AI-ágensek döntéshozatalát hosszú, többlépéses feladatokban.

Források

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. július 13., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

NVIDIA RoboLab: új értékelési platform az általános célú robotirányítási modellek tesztelésére

Az NVIDIA Research bemutatta a RoboLab nevű platformot, amely a robotikában használt általános célú irányítási modellek (policy-k) szisztematikus értékelésére szolgál szimulált környezetben. A rendszer az NVIDIA szerint megoldja a korábbi benchmarkok fő problémáit: a vizuális és feladatbeli átfedést a tréning- és tesztadatok között, a benchmarkok telítődését, valamint a magas beállítási költséget, miközben robotfüggetlen, gyorsan skálázható feladat- és jelenetgenerálást kínál. A platform részletes diagnosztikai eszközöket integrál, köztük részleges pontszámítást, SPARC-alapú mozgásminőség-elemzést és hibaeseménynaplózást. Az NVIDIA tervei szerint a RoboLab funkcionalitása 2026 augusztusától beépül az NVIDIA Isaac Lab-Arena rendszerébe.

Az OpenAI GPT-5.6 Sol Ultra állítólag megoldott egy 50 éves matematikai sejtést kevesebb mint egy óra alatt

Az OpenAI bejelentette, hogy GPT-5.6 Sol Ultra nevű modellje 64 párhuzamosan dolgozó alügynök segítségével kevesebb mint egy óra alatt teljes bizonyítást készített a Cycle Double Cover sejtésre, amelyet az 1970-es évek óta nem sikerült igazolni. Thomas Bloom, a Manchesteri Egyetem matematikusa az eredményt "szép bizonyításnak" nevezte, amely ismert eszközöket kombinál, és akár már az 1980-as években is felfedezhetők lettek volna az alkalmazott módszerek. Bloom szerint az AI előnye az volt, hogy nem csüggedt el a sikertelen próbálkozásoktól, hanem apró variációkat próbálgatott. Ugyanakkor bírálta, hogy az OpenAI tanulmánya nem hivatkozik a korábbi releváns munkákra – különösen Bermond, Jackson és Jaeger 1983-as cikkére –, ami félrevezető lehet. A tudományos közösség teljes matematikai ellenőrzése még nem fejeződött be.

SolarChain-Eval: fizikai korlátokkal teszteli az AI-ügynökök megbízhatóságát a decentralizált energiapiacokon

A SolarChain-Eval egy új, nyílt forráskódú benchmark keretrendszer, amely decentralizált energiapiaci környezetben értékeli az autonóm AI-ügynökök megbízhatóságát – a szerzők nem lektorált preprintben mutatják be. A rendszer Gymnasium-kompatibilis Markov-döntési folyamatként modellezi a piacirányítást, és több dimenzió mentén pontozza az ügynököket: piaci hasznosság, fizikai biztonság, csúszás, döntési simaság, térbeli méltányosság és auditálhatóság. Az LLM-alapú Tervező/Auditor réteg felügyeli és naplózza a kockázatos döntéseket. A kísérletek szerint a megerősítéses tanulással (RL) működő ügynökök javítják a piaci hasznosságot, de fizikai korlátok nélkül érvénytelen termelési adatokat használhatnak ki és mesterséges likviditást hozhatnak létre. Az LLM-auditor javítja az átláthatóságot, de a szerzők szerint nem képes teljes mértékben kompenzálni a rosszul specifikált jutalomfüggvényt.