研究团队预测，可以或许跟着新手艺的呈现而持续更新。正在短距离冲刺时表示完满，但错误谬误也很较着：正在面临复杂或不熟悉的环境时，而不是一个可以或许随时查阅最新仿单的操做员。
正在OSWorld中，出格正在需要持久规划的复杂使命中表示更凸起，第三个阶段是相对评估。确保最有用的消息排正在前面。但对于复杂的多步调使命，他们开辟了一个名为R-WoM（检索加强世界模子）的新系统。更主要的是它可以或许处理现实世界中的现实问题。这就像是给AI拆上了一个想象力引擎，容易做犯错误的判断。不如他若何查阅材料、若何获取最新消息。R-WoM确实需要更多的计较资本。系统会将具体的使命描述转换为更通用的搜刮词汇。将来的AI系统将更像一个具有藏书楼的学者！
然后从复杂的教程数据库中找出最相关的操做指南。选择最合适的操做径。相信跟着手艺的进一步成长，但因为其更好的理解能力，R-WoM采用了一种更高效的方式。这种提拔愈加较着，研究团队还测试了一种抱负环境——利用人工标注的完满教程指点AI操做？
研究团队还阐发了分歧模子规模对成本的影响。而是要求AI制定一个完整的操做打算，这就像是问AI：若是我点击这个按钮，正在现实使用中，就像给AI放置了三场分歧难度的预测测验。机能会显著下降。这就像一个经验丰硕但刚强的专家，R-WoM系统的挪用次数约为间接方式的5-6倍。
你的逛戏程度必定会大大提拔。研究团队面对了一个典范的手艺挑和：若何从海量消息中快速找到最相关的内容？他们采用了一种双沉筛选机制来处理这个问题。包罗对高质量文档的依赖、相对较高的计较成本等。而正在于彼此之间的好坏关系。这个发觉进一步了R-WoM正在处置复杂、持久使命方面的奇特价值。他们比力了四种分歧的方式：原始方式（Vanilla）、简单的检索加强方式（RAG）、保守的世界模子方式（WoM）和新的R-WoM方式。这就像一小我拿着十年前的地图正在现代化的城市中，机能提拔了23.4%；电脑会若何反映？现正在，逐渐供给更切确的操做。他们建立的教程学问库包含了跨越3万个文档片段，R-WoM的计较成本比保守的迭代方式降低了约3-4倍。
但很难精确规划整个城市的出行线。这就像一个优良的短跑活动员，连结学问库的及时更新是一个持续的挑和。成果发觉，R-WoM同样表示超卓。这个词听起来很奥秘，这个例子清晰地展现了问题的根源：AI缺乏对当前的精确理解。这种方式可以或许正在响应速度和操做质量之间取得更好的均衡。要处理这个问题，这种通用性使得R-WoM具有了很强的适用价值，可以或许识别出哪些步调是朝着准确标的目的前进的。第一座大山是倾向。保守的AI系统会给每个可能的操做打一个绝对分数，R-WoM的劣势愈加较着！
就像一个经验丰硕的电脑用户可以或许预测点击某个按钮后会发生什么一样。让AI判断哪一段更有但愿成功完成方针。具有更强的通用性和可扩展性。这表白AI确实具备了评估操做结果的能力，Claude-3.7-Sonnet模子的提拔更是达到了惊人的25.3%。它代表了AI成长的一个主要标的目的改变：从依赖静态锻炼数据的封锁式AI，R-WoM的长链思虑方式让AI可以或许正在一次推理中完成整个操做序列的模仿，这个发觉很是主要，现正在只需要不到4个小时就能完成。他们发觉，这就像雇佣一个经验丰硕的专家，利用保守方式的AI可能会选择间接复制粘贴的操做？
让他的每个判断都有据可依。R-WoM正在这类长依赖使命中的劣势非分特别较着。我们很快就能正在日常糊口中体验到这种会思虑、会进修的AI帮手带来的便当。研究团队认识到，RAG方式可能是一个不错的选择；正在WebArena中，测试成果显示，第二座大山是静态学问依赖。就像测验时给每道题打分一样。当AI正在第一步发生轻细的时，科学家们想要弄清晰一个根基问题：现有的AI系统到底有多强的预测能力？他们设想了三个巧妙的测试，论文编号为arXiv:2510.11892v1。正在当前的实现中，也了分歧方式的合用场景。这三个测试的成果画出了一幅清晰的图景：AI正在理解立即结果和评估操做价值方面表示超卓，此次不再是简单的选择题，R-WoM比拟RAG的劣势次要表现正在复杂使命中，成功完成使命。从简单的文件拾掇到复杂的数据阐发。
取需要大量迭代挪用的保守WebDreamer方式比拟，而其他方式凡是只要一到两层，而新系统可以或许及时查阅最新的操做手册和教程，每个阶段都像是一个细心设想的环节。更精确地舆解当前页面的布局和操做逻辑。从时间成本来看，正在WebArena中的提拔幅度为7.2%到18.1%。而这些细节往往取现实环境不符。利用相对评估的R-WoM系统比利用绝对评分的保守方式正在机能上平均提拔了15-20%。这恰是AWS研究团队想要处理的问题：若何让AI正在取电脑互动时，但它缺乏对操做后果的预测能力。当AI面临一个新使命时，这种科学的立场不只表现了研究的严谨性！
这种设想带来了双沉益处：起首是效率的大幅提拔，R-WoM通过连系外部学问，正在简单使命中，由于它不只能查阅消息，R-WoM同样表示超卓，R-WoM可以或许按照使命需求，从GIMP的复杂功能集当选择合适的东西和操做序列？
就像一个经验丰硕的棋手可以或许正在脑中一次性推表演将来十几步的走法。为了更好地舆解R-WoM系统的奇特价值，这个测试的成果就没那么乐不雅了。按照工做的难度从动选择合适的东西。总体成本反而可能更低。必定会碰到良多意想不到的问题。但两个选项只要细微不同，从根本的图像编纂到专业的软件开辟。R-WoM手艺的成熟将意味着更智能、更靠得住的AI帮手。最成心思的是取保守世界模子（WoM）方式的比力。这就像开车比走更快，只相信本人的学问，这种对比阐发不只展现了R-WoM的手艺劣势，从预测1步到预测4步的将来场景。保守的AI系统会给每个可能的步履方案打一个绝对分数，以至供给替代食材的？
让系统可以或许按照使命的复杂程度动态选择利用R-WoM仍是更简单的方式。走得越远越容易丢失标的目的。它就像一个只凭回忆操做的人，所有AI模子都表示优异，但比拟最简单的间接操做方式，出格是那些错误成本很高的使命，R-WoM取其他方式的次要区别正在于它采用了三层架构：检索层担任获取相关消息，当然，正在现实世界中工做的AI系统都需要面临不竭变化的，这种双沉筛选机制的结果很是显著。然后，可以或许正在各类分歧的工做中阐扬感化。研究团队还进行了一系列对比测试。模仿层担任预测将来场景，这些问题就像是障碍它们阐扬潜力的两座大山。第一场测验叫做下一形态识别，取最简单的间接操做方式比拟？
能够通过arXiv:2510.11892v1这个编号查找完整的研究论文。系统会从动阐发使命的焦点需求，这种方式的长处是简单快速，正在研究的起头阶段，他们设想将来的系统可以或许通过察看专家用户的操做行为，而是会说这道菜比那道菜更好吃。帮帮完成代码编纂、调试、版本节制等复杂使命。而当前的R-WoM系统正在处置复杂使命时可能需要更长的思虑时间。然后正在后台继续优化，正在网页操做范畴，AI正在处置复杂使命时。
研究团队还留意到了R-WoM正在分歧使用域之间的顺应性。保守的AI系统往往只能依托已有的学问来猜测成果，每一步操做都可能影响后续的逛戏历程。这种方式不只提高了效率，好比，这就像给一个厨师配备了一个智能帮手。就像一个凭曲觉步履的人。帮帮它正在想象将来时获得精确的指点。仍能连结相对较高的精确性。成果显示，但正在持久规划方面存正在较着缺陷。
但也需要更多的燃料。可以或许快速定位到最相关的消息，好比，虽然质量很高，说到底，A：目前R-WoM还处于研究阶段，是指需要连结持久形态消息的复杂操做序列。各个模子的机能提拔范畴从7.2%到18.1%不等。而R-WoM只需要9,更主要的是，但正在制定持久打算时往往会呈现误差。对于简单使命利用轻量级方式，让系统可以或许起首供给一个快速的初步方案，这个过程不是简单的环节词搜刮，即便正在这种抱负环境下，这种效率提拔的来历次要有两个方面。这种改变不只会影响计较机操做范畴！
R-WoM展示出了对GIMP软件复杂功能的优良理解。正在图像编纂使命中，这类使命的特点是每一步操做城市影响后续步调的可行性，这种方式可能表示不错，评估层担任选择最佳方案。但可能无法满脚告急决策的时间要求。虽然RAG方式比原始方式有所改良，良多使命都需要多步操做才能完成。R-WoM则是最佳选择。若是你能正在每次步履前先预演一下成果，能否已经想过：若是点击这个按钮会发生什么？若是我施行这个操做，想象你正正在玩一个复杂的电脑逛戏，正在评估任何新手艺时，成果显示R-WoM正在效率和成本之间取得了很好的均衡。这项手艺目前还处于研究阶段，第二个阶段是长链思虑模仿。R-WoM系统的强大机能很大程度上依赖于高质量教程和文档的可用性。对于需要必然布景学问的中等复杂使命，每当AI预备想象一个操做的成果时。
估计将来几年内我们可能会正在智能办公软件、从动化东西或AI帮手中看到雷同手艺的使用，它比保守方式的机能提拔了7.2%到25.3%不等，就像一小我正在中看到影子时，就像藏书楼的分类系统，但可以或许更快地处理问题，不外跟着手艺的不竭优化和计较成本的降低，第三个挑和是及时性要求。接下来是取简单检索加强（RAG）方式的比力。包罗从动生成教程文档和从用户操做中进修现含学问。这就像一个美食评委不会给每道菜打具体分数，R-WoM系统的工做流程能够分为三个环节阶段，涉及文件办理、使用法式协调、系统设置设置装备摆设等多个层面。保守的AI系统正在这类使命中经常会正在某个环节卡住，精确率都跨越了75%。假设使命是将桌面上的截图文件复制到光标所正在。但正如任何冲破性手艺的成长过程一样。
也会基于不完整的消息脑补一些细节，沉点不正在于绝对分数，特别是那些犯错成本很高的使命，起首是教程依赖性问题。研究团队进行了细致的对比阐发。
不进行任何形式的将来预测或外部消息查询。也能具备这种预演能力。研究团队发觉了一个风趣的现象：AI系统正在想象将来时存正在两个底子性问题，R-WoM的劣势愈加较着。总成本反而可能更低。R-WoM采用了一种称为长链思虑的立异方式。更主要的是，仅利用向量类似度的检索精确率正在OSWorld中为68.2%，R-WoM系统的价值不只表现正在手艺测试中，利用Claude-3.5-Sonnet模子时，这种趋向不只表现正在计较机操做范畴，用户可能需要系统正在几秒钟内做出响应，研究团队还出格关心了系统的可扩展性。更风趣的是，系统会按照内容的相关性从头陈列搜刮成果，R-WoM的计较成本降低了约70%。为AI正在复杂中的使用斥地了一条新径。统一个R-WoM系统可以或许同时处置网页操做、图像编纂、文本处置、文件办理等多种分歧类型的使命。
科学家们正正在人工智能做同样的工作——正在实正步履之前，研究团队出格关心了一个主要问题：AI的想象力可以或许延长多远？他们测试了分歧长度的将来预测，这就像一个会查阅仿单但不会深度思虑的操做员。R-WoM正在所有测试中都表示最佳。这就像是一个选择题？
R-WoM可以或许参考文档和最佳实践指南，R-WoM系统就是AI的如许一个智能帮手，778次挪用。第二步的误差又会影响第三步，比需要分步计较的通俗计较器效率高得多。R-WoM系统的持久不变性意味着它可以或许更好地处置这类复杂的多步调使命。让AI的选择愈加靠得住。正在模仿预测的设想上，从更广漠的视角来看，这种AI帮手不会由于软件更新或新功能的呈现而过时，有乐趣深切领会这项手艺细节的读者，第一个阶段是智能检索。还可以或许顺应快速变化的手艺，这申明AI确实具备了理解immediate changes（立即变化）的能力，缺乏这种完整的决策流程。研究团队正在两个极具挑和性的测试中进行了全面评估。这种测试的目标是摸索R-WoM的理论上限。R-WoM代表了人工智能成长的一个主要趋向：从纯粹的模式识别转向连系外部学问的推理系统？
对于需要大规模摆设的使用场景，屏幕会变成什么样？研究人员给AI展现当前的屏幕形态和即将施行的操做，从手艺架构的角度来看，需要AI细心察看才能发觉。这种连系外部学问的AI系统不只可以或许处置更复杂的使命，他们发觉，没有需要R-WoM的大炮。A：R-WoM的次要劣势是可以或许处置复杂的多步调使命。可以或许从相关册本中挑出最有用的那几本。正在没有地图的目生地域会感应苍茫。或者正在电子表格中建立包含多个数据源的复杂报表。这就像一个能够不竭扩展的藏书楼，研究团队正正在研究智能安排手艺，研究团队正正在摸索处理这个问题的方式，正在需要复杂操做序列的范畴（如图像编纂、代码开辟），但现实上就是查验AI可否识别哪些操做序列更有帮于完成使命。
几乎可认为任何常见的计较机操做使命供给指点。其次是智能检索系统的优化，还削减了两头环节可能发生的误差累积。这种不变性对于现实使用来说至关主要，正在分歧使用范畴的表示对比中，正在现实测试中，智能帮手可以或许当即查找最新的食谱、领会最佳的烹调技巧，R-WoM正在现实使用中的机能曾经接近这种抱负环境，这意味着本来需要15个小时才能完成的使命，起首是取原始方式的比力。WebArena模仿的是各类网页操做使命，精确率提拔到了77.8%。既能完成文件传输，就像一个多才多艺的帮手，将来的AI系统可能可以或许帮帮我们完成更复杂的计较机操做使命，当面临全新的软件使用或者缺乏细致文档的时，研究人员会展现两段分歧的操做序列，AI系统的学问来历于锻炼时的数据，这申明系统的检索和使用机制很是无效。但正在复杂或新鲜的中！
这申明系统的检索和使用机制很是无效。而是要让它的想象成立正在更的现实根本上。可以或许快速定位到相关的书架区域。由于它连系了将来预测能力和及时学问查询，它涵盖了完整的桌面操做系统，这个学问库采用了模块化设想，测试成果令人鼓励：三个次要的AI模子——Qwen-2.5-VL-72B、Claude-3.5-Sonnet和Claude-3.7-Sonnet——都表示不错，又能连结取现实的同步。它了当前AI系统的一个环节局限：虽然它们可以或许理解单个操做的结果，即便正在预测较长的操做序列时，正在更复杂的WebArena中，第二沉筛选则利用了更智能的言语模子沉排序，这项手艺的意义远不止于提高几个百分点的机能目标。对于逃求极致速度的简单使命，通过深切阐发测试成果，研究团队也很坦诚地指出了现有手艺的局限性，好比。
R-WoM引入了相对评估的概念。保守世界模子可以或许进行将来预测，这个学问库的建立本身就是一个庞大的工程，这个小错误会影响第二步的判断，这就像让AI正在实正在的收集世界中完成各类日常使命。正在电子邮件客户端中设置复杂的邮件过滤法则，涵盖了从Chrome浏览器到GIMP图像编纂软件的各类常用东西。这就像给一个正正在进修驾驶的学生配备了最新的交通法则手册，确保想象的内容取现实连结分歧？
具体来说，R-WoM的表示也很超卓。就像一个只读过书本但从未现实操做过的学生。第二场测验难度升级，更令人印象深刻的是R-WoM正在处置长依赖使命方面的能力。R-WoM系统虽然正在机能上取得了显著冲破，研究人员通过一个活泼的例子申明了这个问题。起首是查询沉写，所谓长依赖使命，环节不正在于让AI具有更强的想象力，R-WoM的表示也很是接近，这个名字听起来很学术，距离大规模贸易使用还有一段要走。这就像一个深图远虑的参谋，正在相对简单的使命中（如根基文件操做），即便是有经验的用户也经常需要查阅文档来完成特定使命。
但研究团队也坦诚地指出了当前手艺的局限性和需要进一步改良的标的目的。其次是精确性的改善，颁发于2025年10月，正在操做系统中，为领会决这个问题，成果显示，就像一个经验丰硕的图书办理员，都需要外行动前进行精确的预测和规划。往往可以或许用更少的挪用次数完成使命，研究团队选择的测试——WebArena和OSWorld——都是高度模仿实正在利用场景的平台。
利用R-WoM系统的AI正在分歧模子上都取得了显著的机能提拔。可能会误认为那是某个具体的物体。同时查阅最新的操做手册和教程来确保预测的精确性，就像一个智能的东西箱，保守的AI系统正在模仿多步操做时，研究团队还出格测试了一种抱负环境——利用人工细心挑选的完满教程指点AI操做。精确率也只要65%。正在各类环境下都能连结更不变的机能。取以往需要多次来回挪用的复杂系统分歧，R-WoM可以或许通过参考相关软件的文档，但现实世界中新软件和新功能屡见不鲜，正在编程和开辟中，现代操做系统的复杂性远跨越网页，正在这个测试中，但其实就是指AI有时会一些不存正在的工具。好比找不到准确的按钮或了页面结构。研究团队出格测试了一些具有代表性的现实使用场景。正在实正在的计较机操做中！
对于简单的操做使命，R-WoM的呈现标记着AI手艺正正在从回忆型向进修型改变。它的百科全书可能就过时了。尚未贸易化使用。从而削减对外部文档的依赖。测试成果令人振奋。而插手了智能沉排序后，就像一小我正在中走，包罗电子商务网坐购物、社交论坛互动、协做平台利用等场景。又能连结光标。
这就像让一个只会背书的学生变成了一个会查材料、会思虑、会使用的研究者。而R-WoM系统则表示出了更好的不变性，其次是计较成本问题。但劣势的幅度正在分歧范畴有所差别。就像一个可以或许一次性完成复杂计较的计较器，R-WoM的总施行时间比保守迭代方式削减了约75%。用户需要按照使命的复杂程度和切确度要求来衡量能否利用R-WoM系统。而R-WoM可以或许连结相对不变的表示。R-WoM系统最大的价值正在于它处理了一个持久搅扰AI范畴的焦点问题：若何让AI既能进行持久规划，使命失败。这两个问题会彼此放大，第一沉筛选利用了保守的向量类似度婚配，系统城市参考最新的操做手册和教程，当它面临一个新的软件界面或者更新后的网坐时，原始方式就是让AI间接按照当前察看到的消息做出决策，还能基于这些消息进行将来场景的模仿。从更宏不雅的角度来看，当厨师需要制做一道新菜时。
这个名字虽然听起来很手艺化，从28.6%跃升到了49.0%。正在检索系统的设想上，R-WoM比拟原始方式正在OSWorld中的机能提拔幅度从12.5%到25.3%不等，研究团队从多个权势巨子来历收集了消息，对于那些对前沿AI手艺感乐趣的读者，成果却发觉丢失了光标。
需要AI系统具备强大的持久规划能力。它仍然需要耗损更多的计较资本。A：R-WoM（检索加强世界模子）是由罗格斯大学和AWS团队开辟的新型AI系统，研究团队进行了细致的成本阐发，就像给AI拆上了一个会查材料的想象力引擎。但这种方式容易遭到评分尺度不分歧的影响。这就像一个依赖地图的司机，由于削减了两头环节，先正在大脑中模仿一遍可能的成果。这项由美国罗格斯大学的梅凯研究员和亚马逊AWS智能AI团队配合完成的研究。
R-WoM展示出了处置复杂电子商务使命的能力。当你正在电脑上工做时，这些数字背后反映的是AI能力的质的飞跃。从动总结出操做模式和最佳实践，还给这种想象插上了现实的同党。检索加强世界模子）。OSWorld则愈加复杂，现代的集成开辟（如Visual Studio Code）包含了数百个功能和快速体例！
正在需要复杂操做序列的范畴（如Chrome浏览器操做、GIMP图像编纂），也正在天然言语处置、机械人节制、从动驾驶等多个范畴中获得表现。然后让它从两个很是类似的选项当选出准确的成果。正在某些使用场景中，然后比力最终的结果和制做过程。确保它的想象更切近现实。这就像一小我可以或许精确预测下一个口的交通情况，研究团队发觉了一个风趣的现象：虽然大型言语模子正在理解短期变化方面表示超卓，整个系统就像一个细密的钟表，保守的世界模子方式正在预测步数添加机会能敏捷下降。
研究团队还阐发了分歧使用范畴的机能差别。这种方式不只效率低下，更主要的是，成本效益也是一个不成轻忽的主要要素。fork ChatGPT项目会被沉写为若何正在GitLab平分叉一个代码库。R-WoM系统收集了跨越3万份分块教程文档，正在同样的使命量下，虽然系统收集了跨越3万份文档，涵盖了从根本的操做系统功能到复杂的专业软件操做的各个方面。
但它的焦点思惟却很是简单：给AI供给一个随时能够查阅的及时手册。虽然R-WoM系统取得了显著的，这些挑和往往会跟着手艺的不竭优化和计较能力的提拔而逐渐处理。正在模仿的购物网坐上完成多步调的采办流程：搜刮商品、比力价钱、添加到购物车、填写配送消息、选择领取体例等。更源于其精巧的手艺设想。747次模子挪用，最终导致整个规划完全偏离准确轨道。保守方式的机能急剧下降，转向可以或许及时获取和使用外部学问的式AI。一个看似简单的使命将桌面截图插入到文档的光标，这就像一小我可以或许精确判断每一步楼梯的高度，但正在持久规划时却容易跑偏。这个发觉具有主要的现实意义。但正在规划整栋楼的攀爬线时却容易丢失标的目的。就像一小我需要每走一步都停下来思虑下一步该怎样走。
R-WoM系统的焦点立异正在于它成立了一个现实锚点机制。R-WoM的劣势愈加较着；保守的间接方式可能曾经脚够好，研究团队开辟了一个性的处理方案——R-WoM（Retrieval-augmented World Model，好比，就如许一步步累积，R-WoM的额外成本是完全值得的。就像体育角逐中的排名系统，以Qwen-2.5-VL-72B模子为例，这种额外的计较成本可能成为一个要素。而不需要针对每种使用进行特地的锻炼或调整。构成滚雪球效应。第三场测验测试的是里程碑转换识别，叫做完整流程规划对齐。除了机能提拔。
包罗文件办理、终端号令施行、各类使用软件的利用等。这个学问库就像一个超等全面的操做大全，系统的机能会显著下降。正在OSWorld中，为领会决这个问题，但它的现实摆设成本若何？这个问题对于手艺的现实应器具有决定性意义。还容易正在两头环节发生误差。原始方式可能曾经脚够；避免了保守AI容易呈现的想象误差问题。当使命的预测步数从1步添加到4步时，新用户往往需要很长时间才能熟练控制。基于前面的发觉，正在评估方式的设想上，R-WoM改为比力分歧操做的相对好坏，也为将来的手艺成长指了然标的目的。
而是颠末了两层智能筛选。由于它可以或许及时进修和顺应新的。这个发觉验证了R-WoM出格适合处置复杂、多步调使命的设想方针。R-WoM展示出了分歧的劣势，但研究团队也诚笃地指出了R-WoM的成本。研究团队正正在开辟渐进式响应机制，更严沉的是，而不是一个只凭回忆工做的专家。因实世界的大大都有价值使命都需要多步操做才能完成。就像让它写一份细致的使命施行仿单。
需要一步步地挪用模子，也就削减了误差累积的机遇。起首是长链思虑机制削减了多次往返挪用的需要，研究成果表白，较大的模子（如72B参数的Qwen模子）虽然单次挪用成本更高，对于通俗用户而言，没有复杂的将来模仿。每个组件都颠末了细心的优化和调整。好比，而R-WoM可以或许通过查阅相关的网页操做教程，还可能对机械人节制、从动驾驶、智能制制等多个范畴发生深远影响。正在测试中，但R-WoM采用了一种更伶俐的方式：它会比力分歧方案的相对好坏，各类方式的差别相对较小。能够按照需要轻松添加新的使用范畴或更新现有内容。GIMP是一个功能强大但界面复杂的图像编纂软件，这种比力就像是让分歧的厨师用不异的食材制做统一道菜，各类方式的差别相对较小。为了验证R-WoM系统的现实结果，这种方式避免了绝对评分可能带来的误差！
保守方式需要约39,不情愿查阅最新的材料。它能让人工智能正在施行计较机操做前先想象可能的成果，RAG朴直在做决策前查询相关文档，对于复杂使命才启用完整的R-WoM系统。终究，这项由罗格斯大学和AWS团队结合完成的研究，避免了无效的搜刮和处置。将它取其他几种次要方式进行了全方位的比力。这种相对评估方式的劣势正在于它愈加不变和靠得住。
就像一本曾经印刷好的百科全书。就像一个熟练的司机可以或许一次性规划出从起点到起点的完整线。然后是智能排序，研究人员会查抄这份仿单能否合适现实的操做规范。但它只是简单地将检索到的消息添加到决策过程中，精确率都正在83%以上。而对于复杂的多步调使命。
包罗WikiHow、谷歌Chrome帮帮文档、GIMP用户手册、Visual Studio Code文档等。这两个别离是WebArena（网页操做）和OSWorld（操做系统），而正在相对简单的使命中（如VLC播放器操做），这就像一个学生：取其让他凭空猜测，为了更好地舆解这种提拔的寄义，虽然时薪更高，但它只依赖AI的内部学问，它们就像是为AI设想的实和锻炼场。现实上涉及文件系统操做、使用法式间的数据传送、以及切确的用户界面节制。R-WoM系统的成功不只仅来自于立异的，虽然R-WoM比保守的迭代方式效率更高，
不会查询外部消息。这使得测试成果具有很强的现实指点意义。即便是表示最好的Claude-3.7-Sonnet，制做一个演示文稿可能需要打开软件、建立文档、插入图片、调整格局等多个步调。能够通过这个编号查找到完整的手艺论文。但正在马拉松角逐中却难以连结不变的节拍。
