长程任务

加州大学洛杉矶分校与Adobe研究团队提出Tev，核心思路是先用一个27B的开源模型构建出一个答案世界，再在这个世界里通过Tev-Gym给智能体出长程考题。据称这套方法在相关评测上追平了GPT-6 Astra与Claude Opus 5这类前沿闭源模型。它挑战了两个常识：一是长程智能体能力未必需要千亿参数，二是评测方式比单纯堆模型更重要。通过先造好可控的考试世界，研究团队能系统性测量智能体在多步骤任务中的规划与纠错，而不是在嘈杂的真实世界里盲人摸象。 27B小模型为什么能追平大模型？ 关键不在参数，而在评测与任务设计。长程智能体能力很大程度取决于如何出题、如何引导，以及是否给了合适的工具与环境。一个精心设计的环境，能让中等模型把能力发挥到极致，这说明模型尺寸不是唯一答案。 先造答案世界再出题是什么思路？ 过去评测智能体，任务边界模糊、难以复现。Tev先构建一个可控的模拟世界，再在其中设计长程考题，让智能体在标准环境里比拼。这类似先修一座标准考场，再比较谁考得好，结果更可信。 这对智能体研究有什么价值？ 智能体最缺的是可靠的长程能力度量。有了标准化的考试世界，研究者能判断模型到底是真会规划，还是背了套路。这对训练更可靠的智能体至关重要，避免在不可复现的任务上自说自话。 追平前沿模型意味着什么？ 它给小团队和开源社区一个信号：在特定智能体任务上，精巧的环境设计可以缩小与千亿模型的差距。但要在通用场景复现这种表现，仍需更多验证，不宜把基准成绩直接等同真实能力。 总体来看，这条新闻的真正价值，不在于一时的热闹或数字本身，而在于它如何影响接下来的产品节奏、资本预期、监管走向和用户习惯。技术的变化往往先在小圈子里被放大，又在媒体的转述中被简化，因此更需要回到原始信息和长期趋势里去判断。建议读者既不要因为一条快讯就过度乐观，也不要因为个别波折就轻易否定方向；等更多细节、第三方数据和真实落地案例逐步披露，再回头验证今天的判断是否成立，才是看待这类行业动态更稳妥、也更有收获的方式。 说到底，真正决定这件事影响大小的，不是发布当天的声量，而是接下来一段时间里，它能否被持续使用、被真实场景验证、被更多开发者和用户接纳。技术新闻的价值往往要经过时间沉淀才看得清，保持观察、持续跟踪后续进展，比第一时间下结论更有意义。 信息来源与延伸阅读？ 27B开源模型追平GPT-6 Astra与Claude Opus 5：UCLA×Adobe提出Tev - 机器之心 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论