10:27官方一手arXiv: OpenAI@Nikhil Sanjay Borse, Amir Bralin, Sean Savage, N. Sanjay Rebello该研究以转动力学问题为测试,利用问题分类框架分析OpenAI o4-mini的解答,并用MAPS评分量表评估。结果显示,明确提示词能提升解答完整性,而欠指定和多模态提示暴露物理推理与正确性缺陷。24个物理实验小组参与评估,MAPS引导的批评比仅解题组更贴合专家视角,能识别未执行数值步骤和符号未定义等问题。研究为AI解题基准和物理教育中的批判性训练提供了实证基础。论文o4-miniOpenAIMAPS4 个信源在谈事件专题推荐理由:这篇论文用o4-mini试了不同提示词,发现它解题会翻车,还试了怎么教学生挑它毛病,搞物理教育的值得看看。原文稍后读已读值得跟进有用关注 o4-mini
09:40官方账号arXiv cs.AI@Gil Lifshits, Igal Bilik, Gilad Katz针对多智能体强化学习(MARL)在无信号交叉口面临的组合动作空间和特权信息依赖问题,研究者提出Master-Agent Proto-plan System(MAPS)。该系统通过中央Master生成紧凑连续嵌入(proto-plan)编码全局策略,Worker基于局部观测和嵌入执行控制。在HighwayEnv的72种交叉口配置中,MAPS实现无碰撞导航并显著降低平均旅行时间。训练3个智能体的系统在零样本部署到5个智能体场景时成功率达94%,验证了proto-plan层次化学习的泛化能力。论文MAPSHighwayEnv自动驾驶推荐理由:一篇新论文提出了MAPS架构,用层次化强化学习解决无信号交叉口的多车协调问题,在72种场景下实现无碰撞且更快通行,还能零样本从3车迁移到5车,效果很扎实。原文稍后读已读值得跟进有用关注 MAPS