（来源：上观新闻）
上下文管理🌫🌖模块监🚗控并控🥇制任何👩⚖️🧰给定时🚂🇿🇲间正在进行的各种🆔😐会话的🤹♂️上下文窗口👧🥄的整体使用情况🧩🔜。长时间运行的自主🚦❌人工智能代理为改🖥🐁变这种现状提供了🚒😈一个充满希望的🤕机会🥊🏊。AGI🙏📌属于每个人❓。此外，系统还设有🇺🇦一个"通用助🖋手接口"✌，用于处理👑🌉探索、规划或一👀次性辅助任🐊务，这些🇬🇷♟️任务不需要专门🏄♀️🦉的专家流程，🇬🇶但也值🐢得有一个专门❄的代理去完🐑成◻。研究团队首先从💨🔥两个现有的公开🦅🔯数据集中🤵筛选出22🚞🐜00张⏸高质量图片：🍖其中15🎠🔎92张来自 P🈂🍛SG 🚬🎞数据集（一个包含🦸♂️场景信息和🇬🇲🌋区域级🍠全景分🕐🌿割的数据☔集），另外🌓608张来自 S🤠eagul🎙l-100w（🍛🇨🇾一个包含真实I🏥SP图像退化🛳🤸♀️效果的数据集↖🇧🇲）🅾🔔。
但现有🇨🇩🍻主流训练方法🔲🥟存在根🚅本性的缺陷，🇨🇿而这篇论文提出的🇸🇻❔新方法，正🧿是为了彻底解决这☁个问题🤯🇯🇲。具身智🇸🇳🎵能，不🍻是为了替代♓🥳身边照顾你的那个🇦🇮🇰🇷人，而是在那🙀个人不🥝😴在的时候🍯😥，让你的生活⚪🇮🇱不至于被◼😼卡住👗🛥。在对一个 13 🤲🤼♂️级 O🇲🇲🇮🇷oO 处🥗理器的代码库🇨🇺🇻🇪进行测😯试时，DC 能ℹ🍉够解决功能和时💲序问题，就像✈🇨🇿它处理 Ve⛳rCore 时一🐙样🇧🇻。
对于每一种能力🇩🇬，系统会训练一个🤝🌽独立的小型适🇸🇷💅配器（🤺专业名称叫L📗🌊oRA适配器，可☃以理解为给A🌒🌻I安装的一个🛡专用"技能插件"🇭🇲）🇧🇬✅。**一、训练A🐚I推理🍆，为什么这么💶难** 📣⌚要理解这项🚓研究的价值，得🏟🏩先弄清楚A🇨🇩I推理训练🥾🍷的现状👨👨👦👦。在几个对比方法中🇦🇲👮♀️，直接在目标环境🍱⬇里用强化学🚜习训练的模💾🔉型（GRPO🦙🇸🇰 on Targ🏴☠️☑et）能🥛达到3🚻7.8%，一种🌡使用通🛋用合成环境训练的🇪🇺🇦🇨方法（👇AWM）能达到🆗🇪🇬38.4%👬，而一种通过🇭🇲优化系统提❣🤶示词来植入🦝📺能力描述的🇹🇦👩⚕️方法（GEPA🐮）能达到🍓39.6%💮✍。
