# Horizon Long Articles associés

Le Centre d'actualités HTX fournit les derniers articles et analyses approfondies sur "Horizon Long", couvrant les tendances du marché, les mises à jour des projets, les développements technologiques et les politiques réglementaires dans l'industrie crypto.

Premier ensemble de données d'entraînement Doc2Repo de longue portée, les agents de code vont au-delà de la correction de bugs pour commencer à créer des dépôts

L'équipe du Gaoling Institute of Artificial Intelligence de l'Université Renmin de Chine a récemment publié DeNovoSWE, le premier grand ensemble de données d'entraînement pour des tâches de génération de code à long terme au niveau du dépôt. Contrairement aux benchmarks précédents centrés sur la correction de bogues (comme SWE-bench), DeNovoSWE se concentre sur la tâche complexe de génération d'un dépôt logiciel complet et exécutable à partir de zéro, en se basant uniquement sur une documentation détaillée. La méthode utilise une approche "Diviser pour régner" et un mécanisme "Critique & Réparation" automatisé par agents multiples pour construire 4 818 instances de tâches de haute qualité. Elle décompose un dépôt cible en "capacités" fondamentales, génère une documentation structurée alignée sur les évaluations (tests), et assure l'absence de fuite d'informations depuis le code source original. Les expériences montrent que l'entraînement avec DeNovoSWE améliore considérablement les performances des agents de code. Par exemple, le modèle Qwen3-30B-A3B-Instruct a vu son taux de réussite passer de 5.8% à 47.2% sur le benchmark BeyondSWE-Doc2Repo. Cela démontre que des données spécifiquement conçues pour les tâches longues et complexes de génération de dépôts sont essentielles pour faire évoluer les agents de code du rôle de mainteneur à celui d'architecte logiciel capable de planifier et d'implémenter des projets complets.

marsbit06/25 08:55

Premier ensemble de données d'entraînement Doc2Repo de longue portée, les agents de code vont au-delà de la correction de bugs pour commencer à créer des dépôts

marsbit06/25 08:55

Les modèles du monde évoluent de la prédiction vers la planification : HWM et le défi du contrôle à long terme

Le modèle mondial évolue de la prédiction vers la planification, avec HWM (modèle mondial hiérarchique) abordant le défi du contrôle à long terme. Alors que des modèles comme V-JEPA 2 se concentrent sur l'apprentissage de représentations et la prédiction future via l'entraînement sur de vastes données vidéo, ils peinent dans les tâches de contrôle multi-étapes en raison de l'accumulation d'erreurs de prédiction et de l'explosion de l'espace de recherche d'actions. HWM introduit une structure de planification hiérarchique à deux niveaux. Un niveau supérieur planifie le cheminement par étapes sur une échelle de temps longue, tandis qu'un niveau inférieur exécute les actions locales sur une échelle courte. Cette approche décompose les longues tâches en segments plus courts, réduisant ainsi la complexité de la planification et contenant la propagation des erreurs. Les résultats expérimentaux sont significatifs : Dans une tâche de saisie et placement en monde réel, HWM atteint un taux de réussite de 70%, contre 0% pour un modèle monocouche. Il réduit également considérablement le coût computationnel de la planification. Ce progrès s'inscrit dans une convergence plus large avec V-JEPA (représentation du monde) et WAV (vérification et correction des prédictions). L'objectif est de transformer la capacité prédictive en un système exécutable, vérifiable et capable de planification à long terme, une avancée cruciale pour les robots et les agents IA devant gérer des tâches complexes et séquentielles.

marsbit04/17 10:31

Les modèles du monde évoluent de la prédiction vers la planification : HWM et le défi du contrôle à long terme

marsbit04/17 10:31

活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow

Actualités des projetsright-arrow