Momen NeoLab China: EverMind Menjawab Pertanyaan Evolusi Diri Full-Stack dengan Tiga Makalah
Sementara NeoLab luar negeri mendapatkan pendanaan besar berdasarkan narasi, tim China EverMind, yang diinkubasi oleh Shanda Group, telah menerbitkan tiga makalah berurutan yang menyajikan tumpukan teknis komprehensif untuk AI yang berevolusi sendiri. Mencakup harness, keterampilan, dan bobot model, makalah-makalah tersebut merinci kerangka kerja HarnessBank, SkillCorpus, dan DASH. Pendekatan EverMind kontras dengan terobosan titik tunggal tim luar negeri, berpotensi memposisikannya sebagai pemimpin di bidang ini.
Pada musim panas 2026, ketika NeoLabs di luar negeri seperti Recursive Superintelligence (RSI), Engram, Adaption Labs, dan Core Automation menarik pendanaan miliaran dolar, tim asal Tiongkok, EverMind, yang diinkubasi oleh Shanda Group, menerbitkan tiga makalah berturut-turut yang menyajikan solusi menyeluruh untuk AI yang dapat berevolusi sendiri. EverMind, yang berakar pada budaya riset Shanda Innovation Institute, berfokus pada memori jangka panjang dan evolusi diri. Makalah-makalah tersebut membahas tiga tantangan: memanfaatkan peningkatan diri (HarnessBank), manajemen keterampilan (SkillCorpus), dan pelatihan bobot model (DASH). HarnessBank memperkenalkan bank gen dan verifikasi gerbang untuk menghindari overfitting, mencapai peningkatan kinerja 5,1-15,4% di tujuh tolok ukur. SkillCorpus mengagregasi dan mengkurasi lebih dari 82,1 ribu keterampilan mentah menjadi 96.401 keterampilan berkualitas tinggi, meningkatkan kinerja agen hingga 7,5 poin. DASH menggunakan cakrawala pengawasan adaptif-divergensi untuk meningkatkan distilasi diri on-policy, meningkatkan skor penalaran matematika pada tolok ukur AIME dan HMMT. EverMind memiliki ekosistem sumber terbuka dengan lebih dari 12 ribu bintang GitHub, dan kerangka kerjanya dipetakan ke empat lapisan: tugas, kerangka kerja, model, dan peningkatan meta. Tim tersebut berharap bahwa AI generasi berikutnya akan terus berevolusi, dan mereka mengundang mitra untuk bergabung dalam membangun infrastruktur memori jangka panjang AI.
Sumber: QbitAI 量子位 —
asli