AI LEADERS · MOVES & PAPERS

ผู้นำ AI: การย้ายงานและงานวิจัย — ความเคลื่อนไหวและผลงานวิจัยล่าสุด

การย้ายงานและผลงานวิจัยของบุคคลสำคัญในแล็บ AI, Big Tech และแวดวงวิชาการ เป็นสัญญาณล่วงหน้าของทิศทางเทคโนโลยีและความได้เปรียบทางการแข่งขัน ข้อมูลถูกรวบรวมอัตโนมัติทุกวัน ตรวจสอบโดยผู้ดูแล และสรุปให้เข้าใจง่ายพร้อมลิงก์ต้นฉบับ

ไฮไลต์ล่าสุด

งานวิจัย2026-10-30

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

อียาน เลอเกิง

งานวิจัย2026-10-29

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

Chelsea Finn

งานวิจัย2026-10-29

พิสูจน์ว่าโมเดลปัญญาประดิษฐ์เรียนรู้โลกใบเดียวกันแม้จะมีรูปแบบข้อมูลที่แตกต่างกัน

อียาน เลอเกิง

งานวิจัย2026-10-29

ยกระดับประสิทธิภาพ AI บทสนทนาการตรวจทางจิตเวชด้วยการฝึกฝนในสภาพแวดล้อมเสมือน

Mark Chen

บุคคล ทั้งหมด แล็บแนวหน้า แล็บเกิดใหม่แวดวงวิชาการ ฮาร์ดแวร์ AI เกาหลี จีน ผู้บริหาร

สาขา ทั้งหมด HBM และหน่วยความจำ GPU และตัวเร่ง AI ประสิทธิภาพการอนุมาน การฝึกและการขยายขนาด เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล ดาต้าเซ็นเตอร์และพลังงาน AI เพื่อวิทยาศาสตร์ความปลอดภัยและกฎระเบียบ

การย้ายงาน · เอเจนต์และการเขียนโค้ด

ยังไม่มีการย้ายงานตามเงื่อนไขนี้

งานวิจัย · เอเจนต์และการเขียนโค้ด

งานวิจัย2026-10-30

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

Hierarchical World Models with Implicit Dynamics

อียาน เลอเกิง และอีก 6 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา ID-WM ซึ่งเป็นโมเดลโลกแบบลำดับชั้นที่แยกความสามารถในการเข้าถึงสถานะและการควบคุมเฉพาะที่ออกจากกัน เพื่อให้สามารถปฏิบัติงานที่ซับซ้อนและยาวนานได้
ผลลัพธ์หลัก: บันทึกประสิทธิภาพที่ดีขึ้น 38.5 เปอร์เซ็นต์เมื่อเทียบกับวิธีที่ดีที่สุดที่มีอยู่ และแสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้น 135 เปอร์เซ็นต์เมื่อเทียบกับโมเดลโลกระดับเดี่ยว
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ที่หุ่นยนต์จะสามารถลดข้อผิดพลาดและวางแผนระยะยาวได้ แม้ในสภาพแวดล้อมที่ซับซ้อนและพบเป็นครั้งแรกสรุปโดย AI

เอเจนต์และการเขียนโค้ด World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-29 · arXiv (Cornell University)

ยกระดับประสิทธิภาพ AI บทสนทนาการตรวจทางจิตเวชด้วยการฝึกฝนในสภาพแวดล้อมเสมือน

Training language models in simulation for psychiatric intake

Mark Chen และอีก 55 คน

ทำอะไร: คณะนักวิจัยได้พิสูจน์ว่าโมเดลภาษาผ่านการเรียนรู้เสริมกำลังในสภาพแวดล้อมเสมือน ช่วยยกระดับความสามารถในการซักประวัติทางจิตเวชเบื้องต้นแบบข้อความที่มีโครงสร้างได้อย่างมาก
ผลลัพธ์หลัก: ในการประเมินที่มีจิตแพทย์เข้าร่วม ปัญญาประดิษฐ์ที่ได้รับการฝึกฝนมีผลงานเหนือกว่าโมเดลพื้นฐานในหลายตัวชี้วัด เช่น คะแนนการรักษา การสื่อสารที่เน้นผู้ป่วยเป็นศูนย์กลาง และความเหมาะสมในการวินิจฉัยแยกโรค
ความสำคัญ: แสดงให้เห็นว่าสภาพแวดล้อมเสมือนสามารถเป็นสนามทดลองที่มีประโยชน์ในการฝึกฝนและตรวจสอบความปลอดภัยของปัญญาประดิษฐ์ประเภทบทสนทนาทางจิตเวชสรุปโดย AI

เอเจนต์และการเขียนโค้ด ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-28

การพัฒนาโมเดล AI ประสิทธิภาพสูงที่สามารถปฏิบัติงานที่ซับซ้อนได้

Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI

Ashish Vaswani และอีก 499 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา Nemotron 3.5 Super และ Lightning ซึ่งเป็นโมเดล AI แบบเปิดที่เหมาะสำหรับการใช้เหตุผล การเข้าใจบริบทRiยาวยาว และการปฏิบัติงานแบบอัตโนมัติ
ผลลัพธ์หลัก: โมเดล Super ทำคะแนนในการประเมินด้านวิศวกรรมซอฟต์แวร์ได้ 51.78% ซึ่งเหนือกว่ารุ่นก่อนหน้า แม้จะใช้พารามิเตอร์ที่ทำงานจริงน้อยกว่า และแสดงให้เห็นถึงประสิทธิภาพการประมวลผลที่สูงผ่านการปรับแต่งที่หลากหลาย
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการยกระดับประสิทธิภาพและสมรรถนะของโมเดลขนาดใหญ่ไปพร้อมๆ กัน เพื่อให้สามารถนำไปประยุกต์ใช้ได้จริงในหลากหลายสภาพแวดล้อมสรุปโดย AI

ประสิทธิภาพการอนุมาน เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-08 · Science

พิสูจน์ปัญหาทางคณิตศาสตร์ที่ยังไม่คลี่คลายโดยอัตโนมัติด้วยปัญญาประดิษฐ์

Advancing mathematics research with AI-driven formal proof search

Pushmeet Kohli และอีก 20 คน

ทำอะไร: ได้พัฒนาเอเจนต์ปัญญาประดิษฐ์ที่ค้นหาการพิสูจน์ทางคณิตศาสตร์ในสเกลใหญ่ โดยใช้ภาษาที่คอมไพเลอร์ตรวจสอบขั้นตอนการพิสูจน์ได้
ผลลัพธ์หลัก: เอเจนต์ปัญญาประดิษฐ์นี้ประสบความสำเร็จในการแก้ปัญหาทางคณิตศาสตร์และข้อสมมติที่ยังไม่คลี่คลายหลายข้อโดยอัตโนมัติ
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ที่ปัญญาประดิษฐ์จะนำไปสู่การค้นพบทางคณิตศาสตร์โดยอิสระสรุปโดย AI

เอเจนต์และการเขียนโค้ด AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-07

พัฒนาวิธีการทำนายประสิทธิภาพของโค딩เอเจนต์จากโมเดล AI พื้นฐานล่วงหน้า

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models

Ashish Vaswani และอีก 21 คน

ทำอะไร: พัฒนาหน้าจอประเมินสามแบบที่ใช้ประโยชน์จากเส้นทางความสำเร็จของโค딩เอเจนต์ผ่านการฝึกฝนภายหลัง เพื่อประเมินศักยภาพของโมเดล AI พื้นฐาน
ผลลัพธ์หลัก: วิธีการประเมินทั้งสามแบบที่พัฒนาขึ้น สามารถทำนายการจัดอันดับของกลุ่มโมเดลโอเพนซอร์สให้ใกล้เคียงกับประสิทธิภาพจริงได้
ความสำคัญ: นำเสนอความเป็นไปได้ในการนำการประเมินมาตรฐานของโค딩เอเจนต์ไปใช้ในการประเมินโมเดลพื้นฐานในอนาคตสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

เทคนิค Humanize เพื่อเพิ่มความน่าเชื่อถือของการเขียนโค้ดด้วย AI

Humanize: Judgement Engineering for Agentic Coding

Song Han และอีก 8 คน

ทำอะไร: นำเสนอ Humanize ซึ่งเป็นเวิร์กโฟลว์ความร่วมมือของ AI หลายตัวที่นำการตัดสินใจที่ชัดเจนและเป็นระบบมาใช้ระหว่างขั้นตอนการวางแผน การใช้งาน และการตรวจสอบ
ผลลัพธ์หลัก: AI ผู้สร้างและ AI ผู้ตรวจสอบจากผู้ให้บริการที่แตกต่างกันทำงานสลับกัน และทำผลงานได้ดีเยี่ยมในการแก้ปัญหาการแข่งขันและการประเมินประสิทธิภาพ
ความสำคัญ: แสดงให้เห็นว่าในการเขียนโปรแกรมด้วย AI การตรวจสอบแบบอิสระช่วยในการตรวจจับข้อผิดพลาดได้สรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

การระบุความสัมพันธ์ระหว่างความสามารถในการควบคุมสิ่งแวดล้อมและความเป็นศูนย์กลางเชิงโครงสร้างของเอเจนต์ปัญญาประดิษฐ์

The Geometry of Empowerment

Sergey Levine และอีก 3 คน

ทำอะไร: คณะนักวิจัยได้เปิดเผยความสัมพันธ์ระหว่างการเสริมพลัง (Empowerment) ซึ่งหมายถึงความสามารถของเอเจนต์ปัญญาประดิษฐ์ในการควบคุมสภาพแวดล้อมรอบตัว กับความเป็นศูนย์กลางเชิงโครงสร้างที่ช่วยให้เข้าถึงผลลัพธ์ในอนาคตได้อย่างกว้างขวาง
ผลลัพธ์หลัก: นำเสนอโครงสร้างเชิงเรขาคณิตแบบใหม่ที่เชื่อมโยงระหว่างการเพิ่มการเสริมพลังสูงสุดกับวิธีการเรียนรู้ทักษะ เพื่อให้สามารถตีความและวิเคราะห์สิ่งเหล่านี้ได้
ความสำคัญ: ให้ข้อเสนอแนะเชิงทฤษฎีที่จำเป็นสำหรับการสร้างวิธีการเพิ่มการเสริมพลังสูงสุดที่สามารถขยายขนาดได้สรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

วิธีการใหม่ในการประเมินความสามารถในการพัฒนาตัวเองผ่านประสบการณ์ของAIเอเจนต์

Agent Plasticity: Measuring Self-Improvement Through Experience

Rob Fergus และอีก 10 คน

ทำอะไร: เพื่อวัดประสิทธิภาพการพัฒนาตัวเองของAIเอเจนต์ที่พัฒนาตนเองผ่านประสบการณ์ แนวคิดเรื่องความยืดหยุ่นของเอเจนต์จึงถูกนำมาใช้และศึกษาแนวทางการประเมิน
ผลลัพธ์หลัก: โมเดลล่าสุดแสดงให้เห็นความแตกต่างอย่างมากในเส้นทางการพัฒนาแม้จะมีโอกาสในการเรียนรู้ที่คล้ายคลึงกัน และเอเจนต์ที่มีประสิทธิภาพสูงสุดในตอนท้ายไม่ได้มีประสิทธิภาพในการพัฒนาสูงสุดเสมอไป
ความสำคัญ: สิ่งนี้แสดงให้เห็นว่าในการประเมินศักยภาพการพัฒนาของAI การวัดว่าเอเจนต์สามารถปรับปรุงได้อย่างมีประสิทธิภาพเพียงใดผ่านประสบการณ์นั้นมีความสำคัญ ไม่ใช่แค่ความสามารถ ณ จุดเวลาใดเวลาหนึ่งเท่านั้นสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-04 · arXiv (Cornell University)

เปิดตัว 'SheetSage2' AI แปลงเพลงเป็นโน้ตดนตรี

SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision

อียาน เลอเกิง และอีก 6 คน

ทำอะไร: นำเสนอ SheetSage2 โมเดลการถอดเสียงดนตรีแบบ통합ที่แปลงบันทึกเสียงเป็นโน้ตดนตรีที่มนุษย์อ่านได้ (ลีดชีต) โดยอัตโนมัติ
ผลลัพธ์หลัก: โมเดลเดี่ยว SheetSage2-AR มีประสิทธิภาพเหนือกว่าระบบที่มีอยู่เดิมใน 12 จาก 15 คู่เกณฑ์มาตรฐานและตัวชี้วัดที่ประเมิน ดีขึ้นอย่างมากจากเวอร์ชันก่อนหน้า SheetSage1 และในบางเกณฑ์มาตรฐานยังแสดงประสิทธิภาพที่สูงกว่าโมเดลเฉพาะกิจสำหรับงานนั้นๆ อีกด้วย
ความสำคัญ: นี่คือการวิจัยที่ช่วยเพิ่มความแม่นยำของเทคโนโลยีการถอดเสียงดนตรี โดยมีการเปิดเผยน้ำหนักของโมเดลและโค้ดอนุมานเพื่อให้สามารถนำไปใช้ในการวิจัยหรือแอปพลิเคชันในอนาคตได้ อย่างไรก็ตาม จากบทคัดย่ออย่างเดียวเป็นการยากที่จะตัดสินความเป็นไปได้ในการ commercialize หรือขนาดตลาดสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-04 · arXiv (Cornell University)

เสนอวิธีการที่เอเจนต์ AI หลายตัวสะสมงานใน Git repository เพื่อแก้ปัญหา

GitSwarm: Decentralized Compounding Inference

Rob Fergus และอีก 13 คน

ทำอะไร: เสนอและประเมินผล GitSwarm ซึ่งเป็นระบบ 'การอนุมานแบบสะสม' (compounding inference) ที่เอเจนต์ AI ที่เหมือนกันหลายตัวสามารถทำงานได้อย่างอิสระใน Git repository ที่ใช้ร่วมกัน พร้อมทั้งสามารถบันทึก อ้างอิง และรวมผลลัพธ์ขั้นกลางได้อย่างต่อเนื่อง
ผลลัพธ์หลัก: รายงานว่าสามารถแก้โจทย์การพิสูจน์ทางคณิตศาสตร์ทั้ง 30 ข้อได้ในการรันเพียงครั้งเดียว ทำคะแนนเฉลี่ย 79.4 คะแนนในงานเขียนโปรแกรม ProgramBench ซึ่งสูงกว่า baseline ที่แข็งแกร่งที่สุดภายใต้เงื่อนไขงบประมาณที่กำหนด (65.1 คะแนน) และปรับปรุงโครงสร้างจุดเริ่มต้นผ่านการทดลองซ้ำในงานวิจัยโครงสร้างเครือข่ายประสาทเทียม 3 งาน
ความสำคัญ: แสดงให้เห็นว่า AI ไม่จำเป็นต้องทิ้งผลลัพธ์ในแต่ละครั้งที่ลองผิดลองถูก แต่สามารถสะสมความสำเร็จระดับกลางเพื่อนำกลับมาใช้ใหม่ในงานถัดไปได้ ซึ่งเป็นแนวทางหนึ่งสำหรับการแก้ปัญหาระยะยาวและการออกแบบ AI สำหรับการวิจัยทางวิทยาศาสตร์ อย่างไรก็ตาม เนื่องจากเป็นผลลัพธ์ระดับบทคัดย่อ จึงยากที่จะตัดสินผลกระทบทางอุตสาหกรรมที่แท้จริงได้จากข้อมูลนี้เพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

VISTA: งานวิจัยเกี่ยวกับการเพิ่มประสิทธิภาพของ AI เอเจนต์แบบหลายรูปแบบด้วยความทรงจำเชิงภาพ

VISTA: A Visual Harness for Reasoning in an Interactive World

เหอ ไข่หมิง และอีก 4 คน

ทำอะไร: นักวิจัยได้เสนอ 'วิชวลฮาร์เนส (visual harness)' ที่มีชื่อว่า VISTA ซึ่งช่วยให้โมเดล AI แบบหลายรูปแบบที่จัดการทั้งรูปภาพและข้อความสามารถแก้โจทย์ในสภาพแวดล้อมเชิงภาพแบบโต้ตอบได้ดียิ่งขึ้น
ผลลัพธ์หลัก: รายงานระบุว่าหลังจากนำ VISTA ไปใช้ใน ARC-AGI-3 คะแนนประสิทธิภาพการกระทำเทียบกับมนุษย์ (Relative Human Action Efficiency) เพิ่มขึ้นจาก 40.68 เป็น 100.00 และสามารถเคลียร์เกมสาธารณะทั้ง 25 เกมได้สำเร็จ โดยใช้จำนวนการกระทำน้อยกว่ามนุษย์กลุ่มแรกที่เข้าร่วมถึง 57.4%
ความสำคัญ: ผลงานนี้แสดงให้เห็นว่าวิธีการเพิ่มความทรงจำเชิงภาพและฟังก์ชันการค้นคืนให้กับโมเดลที่มีอยู่เดิมนั้นมีประสิทธิภาพในงานเกมเชิงภาพเฉพาะทาง อย่างไรก็ตาม เนื่องจากบทคัดย่องานวิจัยระบุผลลัพธ์เพียงแค่บางเบนช์มาร์ก จึงยังไม่สามารถสรุปได้ทันทีว่าจะสามารถนำไปประยุกต์ใช้กับหน้างานอุตสาหกรรมจริงได้ทั้งหมดสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

framework RPG ที่ช่วยให้หุ่นยนต์พัฒนาความสามารถของตนเองผ่านการฝึกฝนในระบบจำลอง

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents

Pieter Abbeel และอีก 9 คน

ทำอะไร: เสนอ framework RPG ที่ปรับปรุงระบบงานของหุ่นยนต์ด้วยตนเองโดยไม่ต้องอาศัยการแทรกแซงเพิ่มเติมจากมนุษย์
ผลลัพธ์หลัก: ในการทดสอบเงื่อนไขเริ่มต้นใหม่ของงานปฏิบัติการ 22 งาน อัตราความสำเร็จเพิ่มขึ้นจาก 28.6% หลังจากการฝึกซ้อมครั้งแรก เป็น 95.0% หลังจากผ่านไป 15 รอบ และการทดสอบกับหุ่นยนต์จริง 30 ครั้งประสบความสำเร็จทั้งหมด
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการปรับปรุงซอฟต์แวร์ควบคุมหุ่นยนต์โดยใช้แรงงานมนุษย์น้อยลง แม้ว่าจะยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเชิงพาณิชย์ได้จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

Benchmark 'ค้นหา paper ที่สร้างแรงบันดาลใจ' จัดทำโดยนักวิจัย 184 คน

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research

Chelsea Finn และอีก 13 คน

ทำอะไร: สร้างชุดข้อมูล ScholarCatalyst ซึ่งรวบรวมโดยนักวิจัยผู้เป็นชื่อแรก 184 คนจาก paper ด้านวิทยาการคอมพิวเตอร์ล่าสุด 207 ฉบับ โดยระบุว่า paper ก่อนหน้าฉบับใดที่มีประโยชน์ต่อการวิจัยของตนจริงๆ และได้นำเสนอโจทย์การค้นหา paper เหล่านี้
ผลลัพธ์หลัก: การค้นหาด้วยเอเจนต์ (AI ที่ทำงานโดยทำซ้ำการค้นหาด้วยตนเอง) ไม่ได้แสดง performance ที่ดีกว่าวิธีการค้นหาพื้นฐาน (Recall ที่ผลลัพธ์ 20 อันดับแรก 0.42 ต่อ 0.48) เอเจนต์ที่ใช้ Claude Fable 5.1 ก็ทำได้เพียง 0.51
ความสำคัญ: แสดงให้เห็นว่าปัจจุบัน AI ยังขาดสัญชาตญาณของผู้เชี่ยวชาญในการมองหาไอเดียล่วงหน้าที่จำเป็นจากวรรณกรรมวิจัยจำนวนมหาศาล และชี้ให้เห็นทิศทางว่าจำเป็นต้องมีวิธีการเรียนรู้ใหม่เพื่อสิ่งนี้ ถือเป็นอีกขั้นหนึ่งของการวิจัย AI ที่ช่วยสนับสนุนการวิจัยทางวิทยาศาสตร์ แต่ไม่สามารถยืนยันผลลัพธ์เชิงพาณิชย์หรืออุตสาหกรรมจริงได้จากบทคัดย่อสรุปโดย AI

เอเจนต์และการเขียนโค้ด AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-29 · arXiv (Cornell University)

เสนอเทคนิคเมตาการอนุมาน (Meta-reasoning) ให้ AI Agent ไตร่ตรอง "วิธีการดำเนินการ" ก่อนเริ่มงาน

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning

Rob Fergus และอีก 11 คน

ทำอะไร: เสนอวิธี "Agent Meta-reasoning" ที่จัดการการตัดสินใจควบคุมการทำงาน เช่น การนำผลงานก่อนหน้ากลับมาใช้ใหม่ การเริ่มใหม่ตั้งแต่ต้น หรือการหยุดทำงาน สำหรับ AI Agent ที่ต้องปฏิบัติงานยาวนาน ให้เป็นกระบวนการอนุมานที่เป็นระบบ
ผลลัพธ์หลัก: ในการทดสอบ ProgramBench ซึ่งเป็นเกณฑ์มาตรฐานการรีแฟกทอรีโปรแกรม ทำคะแนนได้ 71.5% บนพื้นฐานของ GPT-5.5 ซึ่งสูงกว่า 58.0% ของ Codex และทำคะแนนได้ 67.2% บนพื้นฐานของ Opus 4.8 ซึ่งสูงกว่า 65.5% ของ Claude Code
ความสำคัญ: บทคัดย่อระบุว่ายิ่ง AI Agent ปฏิบัติงานยาวนานขึ้นเท่าใด การจัดสรรทรัพยากรการประมวลผลให้กับการควบคุมการทำงานที่มีโครงสร้างก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น อย่างไรก็ตาม เนื่องจากผลลัพธ์ในบทคัดย่อได้มาจากเกณฑ์มาตรฐานและเงื่อนไขการทดลองเฉพาะเจาะจง จึงยากที่จะสรุปได้ทันทีว่าจะแปลผลไปสู่ประสิทธิภาพของผลิตภัณฑ์จริงสรุปโดย AI

ประสิทธิภาพการอนุมาน เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · arXiv (Cornell University)

DexAgent สร้างข้อมูลการเรียนรู้การเคลื่อนไหวของมือหุ่นยนต์โดยอัตโนมัติจากวิดีโอตัวอย่างของมนุษย์

DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library

เฟย์-เฟย์ หลี่ และอีก 4 คน

ทำอะไร: นำเสนอเฟรม워크แบบเอเจนต์ที่สร้างวิถีการเคลื่อนไหวของหุ่นยนต์ที่เป็นไปได้จริงทางฟิสิกส์ เพื่อสร้างข้อมูลสำหรับการเรียนรู้ของหุ่นยนต์ โดยรับวิดีโอมุมมองบุคคลที่หนึ่งและคำอธิบายงานที่มนุษย์บันทึกไว้
ผลลัพธ์หลัก: นโยบาย (กฎพฤติกรรมของหุ่นยนต์) ที่ฝึกด้วยข้อมูลที่สร้างโดย DexAgent ใน 11 งานในสภาพแวดล้อมจริง แสดงอัตราความสำเร็จสูงกว่าวิธีเปรียบเทียบมาตรฐานถึง 3.5 เท่า
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการ自动化กระบวนการแปลงวิดีโอตัวอย่างของมนุษย์ให้เป็นข้อมูลการเรียนรู้ของหุ่นยนต์ แต่เป็นการยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเวลาในการ 商业화 จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-06-09 · arXiv.org

วิเคราะห์ข้อจำกัดในการประเมินเอเจนต์บทสนทนาของผู้ตัดสินปัญญาประดิษฐ์

Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents

Alexandr Wang และอีก 2 คน

ทำอะไร: ทำการวัดว่าผู้ตัดสินที่ใช้โมเดลภาษาขนาดใหญ่สามารถค้นหาข้อบกพร่องที่เกิดขึ้นจริงได้มากเพียงใด โดยเปรียบเทียบกับการตรวจสอบทั้งหมดโดยมนุษย์ ในเอเจนต์บทสนทนาสั่งอาหารที่ใช้งานจริง
ผลลัพธ์หลัก: ผู้ตัดสินที่เป็นโมเดลภาษาขนาดใหญ่ไม่สามารถค้นพบแม้แต่หนึ่งในสี่ของปัญหาเชิงระบบที่มนุษย์ตรวจสอบพบ และในบางชุดการประเมินก็บันทึกผลได้ 0 รายการ
ความสำคัญ: สิ่งนี้บ่งชี้ว่าวิธีการประเมินแบบอัตโนมัติทำหน้าที่เป็นเพียงเกณฑ์มาตรฐานขั้นต่ำเท่านั้น และไม่สามารถทดแทนการตรวจสอบโดยมนุษย์ได้อย่างสมบูรณ์สรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

บุคคล

แล็บแนวหน้า

แล็บเกิดใหม่

Mira MuratiCEO Thinking Machines Lab อันเดรจ คาร์แพธีAndrej Karpathyผู้ก่อตั้ง Eureka Labs อียาน เลอเกิงYann LeCunผู้ก่อตั้ง AMI Labsกิจกรรมล่าสุด 2026-10-30 Ilya SutskeverCEO SSI Llion JonesSakana AIกิจกรรมล่าสุด 2026-10-06 Lilian Wengผู้ร่วมก่อตั้ง Thinking Machines Lab Barret Zophย้ายบ่อย (มีรายงานว่ากลับสู่ OpenAI ปี 2026 แล้วย้ายอีกครั้ง)Sergey LevinePhysical Intelligence·UC เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 Aravind Srinivasซีอีโอ Perplexity Arthur Menschซีอีโอ Mistral AI Ashish VaswaniEssential AIกิจกรรมล่าสุด 2026-10-28 Aidan Gomezซีอีโอ Cohereกิจกรรมล่าสุด 2026-09-12 John Schulmanนักวิทยาศาสตร์หลัก Thinking Machines Lab Chelsea FinnPhysical Intelligence·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-29 เฟย์-เฟย์ หลี่Fei-Fei LiCEO World Labs·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-07

แวดวงวิชาการ

Richard Suttonมหาวิทยาลัยอัลเบอร์ตา Stuart Russellมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์แอนดรูว์ อึ่งAndrew NgDeepLearning.AI และ AI Fund Yoshua Bengioมหาวิทยาลัยมอนทรีออล และ LawZeroกิจกรรมล่าสุด 2026-10-12 เจฟฟรีย์ ฮินตันGeoffrey Hintonศาสตราจารย์กิตติคุณ มหาวิทยาลัยโตรอนโตกิจกรรมล่าสุด 2026-09-28 Christopher Manningมหาวิทยาลัยสแตนฟอร์ดกิจกรรมล่าสุด 2026-07-20 Percy Liangมหาวิทยาลัยสแตนฟอร์ด และ Together AIกิจกรรมล่าสุด 2026-10-22 Pieter Abbeelมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 เหอ ไข่หมิงKaiming Heสถาบันเทคโนโลยีแมสซาชูเซตส์กิจกรรมล่าสุด 2026-10-01

ฮาร์ดแวร์ AI

Bill Dallyหัวหน้านักวิทยาศาสตร์ NVIDIA Tri DaoTogether AI · มหาวิทยาลัยพรินซ์ตันกิจกรรมล่าสุด 2026-08-12 Song HanMIT · NVIDIAกิจกรรมล่าสุด 2026-10-07 Andrew Feldmanซีอีโอ Cerebras Jonathan RossGroq Jim Kellerซีอีโอ Tenstorrent Jim Fanฝ่ายหุ่นยนต์ NVIDIA

เกาหลี

Ha Jung-wooรองประธานคณะกรรมการยุทธศาสตร์ AI แห่งชาติ (ลาออกจากตำแหน่งหัวหน้าฝ่าย AI สำนักประธานาธิบดีในปี 2026)กิจกรรมล่าสุด 2026-04-22 Kim Sung Hunซีอีโอ Upstage Bae Kyunghoonรัฐมนตรีว่าการกระทรวงวิทยาศาสตร์และเทคโนโลยีสารสนเทศและการสื่อสาร (อดีตผู้อำนวยการสถาบันวิจัย AI ของ LG)Oh Alice HaeyunKAIST Lee Hae-minหัวหน้าฝ่ายวางแผนอนาคต AI สำนักประธานาธิบดี (แต่งตั้งในปี 2026)Cho Kyunghyunมหาวิทยาลัยนิวยอร์ก และ Genentechกิจกรรมล่าสุด 2026-10-04

จีน

Liang Wenfengผู้ก่อตั้ง DeepSeekกิจกรรมล่าสุด 2026-10-12 Yang Zhilinผู้ก่อตั้ง Moonshot AIกิจกรรมล่าสุด 2026-07-27 Kai-Fu Lee01.AI

ผู้บริหาร

Kwak Noh-jungซีอีโอ SK Hynix มาร์ก ซักเคอร์เบิร์กMark Zuckerbergซีอีโอ Meta แซม ออลต์เมินSam Altmanซีอีโอ OpenAI Jun Young-hyunหัวหน้าแผนก DS Samsung Electronics เจนเซ่น หวงJensen Huangซีอีโอ NVIDIA C.C. Weiประธานและซีอีโอ TSMC Greg Brockmanประธาน OpenAI Lisa Suซีอีโอ AMD Lip-Bu Tanซีอีโอ Intel สัตยา นาเดลลาSatya Nadellaซีอีโอ Microsoft Sanjay Mehrotraซีอีโอ Micron Masayoshi Sonประธาน SoftBank ศุนทัร ปิจไชSundar Pichaiซีอีโอ Alphabet Andy Jassyซีอีโอ Amazon อีลอน มัสก์Elon Muskซีอีโอ xAI และ Tesla Kevin ScottCTO Microsoft Hock Tanซีอีโอ Broadcom

ทำไมต้องติดตามการย้ายงานและงานวิจัยของผู้นำ AI

ในอุตสาหกรรม AI คนคือเทคโนโลยี การที่นักวิจัยคนสำคัญย้ายไปบริษัทใดหรือก่อตั้งแล็บใหม่ มักกลายเป็นผลิตภัณฑ์ การระดมทุน และการควบรวมกิจการในอีกไม่กี่เดือน หน้านี้ติดตามการเปลี่ยนสังกัดในแล็บแนวหน้า แล็บเกิดใหม่ แวดวงวิชาการ ชิป AI และบุคคลในเกาหลีและจีน

งานวิจัยบอกว่าบุคคลนั้นกำลังโฟกัสเรื่องอะไร เราจัดงานวิจัยเป็น 10 สาขาที่เชื่อมโยงกับการลงทุน เช่น HBM และหน่วยความจำ GPU และตัวเร่ง ประสิทธิภาพการอนุมาน เอเจนต์ และหุ่นยนต์ พร้อมสรุปสามบรรทัด — ทำอะไร ผลลัพธ์หลัก ความสำคัญ — จากบทคัดย่อ และลิงก์ต้นฉบับกับ PDF ข้อมูลนี้มีไว้เพื่อหาไอเดีย ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใด

คำถามที่พบบ่อย

ถาม: ติดตามใครบ้าง?

นักวิจัยและผู้บริหารคนสำคัญในแล็บแนวหน้า (OpenAI, Google DeepMind, Anthropic, Meta ฯลฯ) แล็บเกิดใหม่ แวดวงวิชาการ บริษัทชิป AI รวมถึงเกาหลีและจีน ผู้บริหารที่แทบไม่เขียนงานวิจัยจะติดตามเฉพาะการย้ายงาน

ถาม: ข้อมูลมาจากไหนและอัปเดตบ่อยแค่ไหน?

งานวิจัยมาจาก Semantic Scholar และ arXiv ส่วนประวัติมาจาก Wikidata (CC0) และประกาศทางการกับรายงานข่าว รวบรวมอัตโนมัติทุกวัน และเผยแพร่เฉพาะรายการที่ผู้ดูแลตรวจสอบและอนุมัติแล้ว

ถาม: ใครเป็นผู้เขียนบทสรุปงานวิจัย?

AI (Google Gemini) ร่างบทสรุปจากบทคัดย่อของงานวิจัย และผู้ดูแลตรวจสอบก่อนเผยแพร่ ภาษาอื่นเป็นการแปลด้วย AI จากบทสรุปภาษาเกาหลีที่ตรวจแล้ว โปรดยืนยันตัวเลขและบริบทในต้นฉบับเสมอ

หน้านี้รวบรวมงานวิจัยที่เผยแพร่ ประกาศอย่างเป็นทางการ และรายงานข่าว เพื่อเป็นข้อมูลเท่านั้น บทสรุปงานวิจัยเขียนโดย AI จากบทคัดย่อและตรวจสอบโดยผู้ดูแล อาจแตกต่างจากต้นฉบับ โปรดตรวจสอบต้นฉบับสำหรับเนื้อหาสำคัญ ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใดหรือคำปรึกษาด้านการลงทุน การย้ายงานอ้างอิงประกาศอย่างเป็นทางการหรือสื่อหลัก และประวัติการทำงานบางส่วนอ้างอิงจาก Wikidata (CC0) บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว

ผู้นำ AI: การย้ายงานและงานวิจัย — ความเคลื่อนไหวและผลงานวิจัยล่าสุด

ไฮไลต์ล่าสุด

การย้ายงาน · เอเจนต์และการเขียนโค้ด

งานวิจัย · เอเจนต์และการเขียนโค้ด

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

ยกระดับประสิทธิภาพ AI บทสนทนาการตรวจทางจิตเวชด้วยการฝึกฝนในสภาพแวดล้อมเสมือน

การพัฒนาโมเดล AI ประสิทธิภาพสูงที่สามารถปฏิบัติงานที่ซับซ้อนได้

พิสูจน์ปัญหาทางคณิตศาสตร์ที่ยังไม่คลี่คลายโดยอัตโนมัติด้วยปัญญาประดิษฐ์

พัฒนาวิธีการทำนายประสิทธิภาพของโค딩เอเจนต์จากโมเดล AI พื้นฐานล่วงหน้า

เทคนิค Humanize เพื่อเพิ่มความน่าเชื่อถือของการเขียนโค้ดด้วย AI

วิธีการใหม่ในการประเมินความสามารถในการพัฒนาตัวเองผ่านประสบการณ์ของAIเอเจนต์

เปิดตัว 'SheetSage2' AI แปลงเพลงเป็นโน้ตดนตรี

เสนอวิธีการที่เอเจนต์ AI หลายตัวสะสมงานใน Git repository เพื่อแก้ปัญหา

VISTA: งานวิจัยเกี่ยวกับการเพิ่มประสิทธิภาพของ AI เอเจนต์แบบหลายรูปแบบด้วยความทรงจำเชิงภาพ

framework RPG ที่ช่วยให้หุ่นยนต์พัฒนาความสามารถของตนเองผ่านการฝึกฝนในระบบจำลอง

Benchmark 'ค้นหา paper ที่สร้างแรงบันดาลใจ' จัดทำโดยนักวิจัย 184 คน

เสนอเทคนิคเมตาการอนุมาน (Meta-reasoning) ให้ AI Agent ไตร่ตรอง "วิธีการดำเนินการ" ก่อนเริ่มงาน

DexAgent สร้างข้อมูลการเรียนรู้การเคลื่อนไหวของมือหุ่นยนต์โดยอัตโนมัติจากวิดีโอตัวอย่างของมนุษย์

พัฒนาวิธีการประเมินที่ชี้ข้อผิดพลาดของเอเจนต์ปัญญาประดิษฐ์ได้อย่างแม่นยำ

วิเคราะห์ข้อจำกัดในการประเมินเอเจนต์บทสนทนาของผู้ตัดสินปัญญาประดิษฐ์

การพัฒนาแอสวอร์ตแอล์สมีระบอบเพื่อประเมินความเสียงด้านความปลอดภัยของ AI agents

บุคคล

ทำไมต้องติดตามการย้ายงานและงานวิจัยของผู้นำ AI

ถาม: ติดตามใครบ้าง?

ถาม: ข้อมูลมาจากไหนและอัปเดตบ่อยแค่ไหน?

ถาม: ใครเป็นผู้เขียนบทสรุปงานวิจัย?