Theseus Lab在2026年11月9日这一天, 联合了生态伙伴Humanlaya以及小红书, 正式把三项技术成果进行了开源操作。
这一举动, 直接指向了眼下最前沿的AI领域里存在的“能够帮上大忙, 却很难让人放心地把事情交给你完成”这一核心矛盾所在, 由此引发了开发者群体和研究者社区的广泛讨论与关注。
能力跃升与人类依赖并存
在Theseus Lab工作区的测试情形下可以看见, 从八月的GLM开始, 接着是九月的MiMo, 然后是十月的DeepSeek, 一直到十一月的HY4, 这些阶段中关于跨源证据整合方面的表现以及受限环境探索方面的得分, 其累计提升的幅度大概为22分, 同时在状态追踪这一指标上以及在例外推理这一指标方面, 也都呈现出了持续走高的态势。
现在的模型正在从单纯的检索、写作还有代码生成这些任务, 慢慢地转向去应对更加复杂的实际工作场景。但是人们在对于行为的过度抑制以及在决策过程中加入各种约束等方面, 所取得的提升依然是比较有限的。这就导致人类还是不得不在下达指令、进行检查以及进行修正这样的环节当中, 持续不断地付出去消耗大量的时间。
三层自进化路线铺开
Theseus Lab提出三层自进化技术路线, 将能力评估从标准测试集延伸到真实、开放的业务、创作与科研环境, 让AI在自主探索中理解现实需求并应对环境变化。
这种做法的思路和由Anthropic提出的那个所谓的“梦境”机制是相通的, 就是把一次次的做项目所得到的经验给转化掉, 变成一种普遍的、可以被复用的那种能力, 并且是让人工智能去重新审视那些方法本身, 从而去探寻在方向上面还有方式上面能够实现更大的突破。
DeliverBench检验完整交付
DeliverBench让智能体接手了完整的专业项目, 接着已有的成果往下做, 处理陆续到来的新材料和外部反馈, 最终交付可验收的成果, 其核心检验是看“能帮忙”与“能交付”之间的真实差距到底是多少。
在Project Mars这个再融资项目的测试工作里面, 五个前沿模型的表现差异是非常大的, 也就是说它们的水平表现得不平衡。那些只有在很短的演示过程中才可能看不见的问题、那些隐患, 最终是在整个的项目链条当中被集中地暴露了出来。
SelfImprove-Bench衡量进化迁移
这个基准是关注自我的改进到底能不能被迁移过去, 去应对那些没有见过的实例, 或者说难度更高的任务, 还有能力类型不同的任务。它是用统一的HCI公式来做事情的, 这个公式是用来量化每一段改进过程的实际效果的。这样的话, 评测标准就变得透明可比了。
现在的评测焦点已经从关心AI最后能强大到什么样, 转移到了关心改进过程到底有多大用处这一点上。与此同时, SelfImprove-Bench同时具备了进行任务生成、任务编排、模拟运行以及数据分析这样的全套元能力, 它还具备可扩展性这一特点。
AmbiHTMLBench重建视觉文档
Theseus Lab联合小红书推出了叫作AmbiHTMLBench的项目, 这个项目是基于网络上的开源数据, 还有那些影响力比较高的一些推文, 来构建一个规模达到五万份的文档池, 然后去回答一个这样的问题, 就是一旦给定了视觉文档, 能否把它重建为一个内容准确无误、而且结构也完整的HTML页面。
在这个主观指标的评估环节中, 总共有 33 名参与者参加了工作, 他们一共做出了 7920 次人工判断。在每一次判断过程里系统都会同时展示原始页面以及两个经过重建的结果图片, 然后结合页面里的布局情况、文字内容还有特殊元素的组织方式等方面去复现人类视觉的偏好, 以此来作为最终的评判依据。
开源成果与评测结果
在客观综合排名这个事儿上面来说呢, Gemini 3.1 Pro Preview拿到了0.8092的分数, 这就使得它能够排在第一位。之所以会有这样的优势存在, 主要是因为它的文字出错的那些地方更少一些了, 而且在表格内容保持原样方面的表现也变强了。
这三项成果是同步公开的。它们分别覆盖了代理能力、专精能力与高阶进化能力。这为开发者提供了跨任务类型的统一参照尺度以及可扩展的基础设施。
你觉得现在的人工智能那个东西, 要真的能让我们放心地把整个项目, 全部交给它去管的话, 还得跨过哪些能力的坑, 还有哪些本事是它没具备到的? 如果你觉得这篇文章写得还凑合, 欢迎点一下那个赞, 把本文转给周围人看看, 再跑到那个评论区里头来, 说说你自己是怎么看这个问题的。
