我们介绍了AgentLens，这是一种用于交互式代码代理的生产级基准测试。现有大多数代码代理基准只关注任务是否通过的单一结果，而AgentLens评估的是整个执行轨迹，包括代理如何执行指令、使用工具、自我验证、纠错及与用户的互动。它结合了形式化验证和由大语言模型撰写的轨迹评论及对比，生成易读的评分解释。AgentLens不仅可用于模型排名，还可用于行为诊断、版本比较及产品回归检测。该基准以开源形式发布。
这条 研究论文 信号说明，来自 arXiv cs.AI 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.AI 发布了这条关于 研究论文 的更新：我们介绍了AgentLens，这是一种用于交互式代码代理的生产级基准测试。现有大多数代码代理基准只关注任务是否通过的单一结果，而AgentLens评估的是整个执行轨迹，包括代理如何执行指令、使用工具、自我验证、纠错及与用户的互动。它结合了形式化验证和由大语言模型撰写的轨迹评论及对比，生成易读的评分解释。AgentLens不仅可用于模型排名，还可用于行为诊断、版本比较及产品回归检测。该基准以开源形式发布。
AgentLens通过关注代码代理的完整执行过程而非仅单一结果，更贴近真实用户体验，帮助开发者全面理解模型表现和改进空间，适合产品开发与研究。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、agents 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
Fine-tuning LLMs for financial natural language processing (NLP) is constrained by limited, imbalanced data. Real-world financial news overrepresents earnings...
植物病害由生物和非生物胁迫引起，全球农业产量每年损失估计20-40%，经济损失超过2200亿美元。本文提出了一个统一的深度学习流程，结合语义分割、基于回归的严重度估计和疾病分类。胁迫严重度分为四级（低到极高），基于感染叶面积比例。使用苹果树叶子病害分割数据集（1641样本，6类）评估四种模型：U-Net（MobileNetV2）、SegFormer、FCN及PSPNet。MobileNetV2的U-Net表现最佳，达98.20%像素精度、0.70 mIoU及99.41%检测准确率，且单图处理14.7毫秒，适合实时应用。SegFormer表现接近（mIoU 0.66），FCN及PSPNet空间精度较低（约0.49 mIoU）。严重度指数与专家标注高度相关（r=0.968，R^2=0.937），证明系统在自动作物监测和决策支持中的可靠性。
为保护和振兴印度尼西亚北苏门答腊巴塔克族的文化遗产传统纺织品乌洛斯，本研究提出利用人工智能框架，针对高分辨率乌洛斯图案数据集精细调优两种潜伏扩散模型，以生成既符合文化又具创新性的图案。通过多项指标和传统织工评估，Protogen v3.4模表现优于Stable Diffusion v1.4，在视觉保真度和图案多样性方面取得显著提升，展现了生成模型在传承与创新间的平衡潜力。