Microsoft dan Universitas Jiao Tong Shanghai Melepaskan Argus secara open source, Sistem Penelitian Otonom 1548 Jam

Dari "akan menjalankan" ke "akan mengendalikan", apa yang masih kurang pada Agent jangka panjang?

Di tengah perkembangan pesat Agent, Harness telah memungkinkan model besar untuk menyentuh dunia nyata, mampu memanggil alat, mengubah kode, dan menjalankan eksperimen. Namun, ketika tugas diperpanjang dari beberapa puluh menit menjadi beberapa hari, sistem masih memerlukan seseorang yang terus-menerus berada di depan layar untuk menentukan langkah selanjutnya.

Kunci dari bottleneck ini bukan hanya karena kemampuan model yang terbatas, tetapi juga karena sebagian besar Agent saat ini telah mengotomatiskan “eksekusi”, tetapi belum benar-benar mengotomatiskan “pengendalian” di atas eksekusi. Harness memberikan kemampuan bertindak kepada model, sementara manusia memberikan keputusan kepada model. Ketika manusia pergi, proyek pun berhenti. Selain itu, tanpa umpan balik reward yang padat, eksekusi dan reaksi Agent juga akan terasa lambat dan kaku.

Untuk menyelesaikan masalah ini, Microsoft, Shanghai Jiao Tong University, dan lembaga lainnya merilis Argus secara open-source, sebuah runtime inferensi agent umum untuk tugas penelitian jangka panjang, bersama dengan laporan teknis. Sistem ini memungkinkan agent untuk memperluas penelitian berkelanjutan selama beberapa hari ke berbagai bidang tanpa umpan balik standar yang padat, melalui desain yang didorong oleh bukti, berevolusi sendiri, kolaborasi multi-agent, serta pemisahan inti dan domain khusus.

Laporan mencakup 27 Campaign dan 1.548 jam waktu nyata. Rata-rata setiap 40,7 jam terjadi satu permintaan intervensi manusia secara aktif; tingkat penggunaan kerja laporan berada di kisaran 95,1% hingga 98,7%. Pengiriman Argus kali ini bukan hanya benchmark berperingkat tinggi, tetapi juga seperangkat hasil produksi lengkap. Tim memberikan hasil dalam berbagai tugas luas seperti AI4AI, GPU Kernel, pelatihan model, AI4Science, desain chip, AI4math, dan AI4System, yang menunjukkan fleksibilitas Argus dan kecerdasan tingkat penelitian yang sebenarnya.

Gambar 1: Ikhtisar keseluruhan waktu runtime Argus, benchmark kemampuan, dan hasil pengiriman.

• Judul makalah: Argus: Siapa yang Menggerakkan Harness selama Berhari-hari?
• Paper: https://arxiv.org/abs/2608.05144
• Kode: https://github.com/lbx154/Argus
• Halaman proyek: https://argusbot.cn/
• Layanan terbuka hasil proyek: https://github.com/Argus-AiTeam
• Siaran langsung pemecahan soal matematika proyek: https://open.argusbot.cn/#counterexample-live

Dua tahun terakhir, kemajuan utama dalam rekayasa Agent berfokus pada Harness: dengan mengambil analogi FSD dari mobil otonom, model seperti mesin, sementara Harness seperti sistem transmisi, tetapi yang benar-benar menentukan ke mana kendaraan akan pergi tetaplah orang yang duduk di depan layar. Dalam tugas jangka pendek, seperti parkir otomatis biasa, tugas itu sendiri masih dapat memberikan umpan balik yang jelas; namun, ketika tugas diperpanjang hingga beberapa hari, masalah penelitian sering kali tidak memiliki reward yang stabil maupun tujuan yang telah didefinisikan sejak awal. Agent saat ini menunjukkan bottleneck sejati: mereka sudah bisa menjalankan tugas, tetapi belum bisa terus-menerus menilai dalam ketidakpastian.

Gambar 2: Argus mengubah peran manusia dari posisi pengemudi yang terus-menerus mendorong menjadi penumpang samping, melalui penelitian mandiri yang diimplementasikan dengan auto-research.

Argus menyebut posisi sebelumnya yang tidak otomatis di atas Harness sebagai Driver. Tugasnya adalah tetap mengendalikan arah berdasarkan bukti, bahkan ketika terjadi konflik antara rencana dan kenyataan. Tujuan yang ditulis pada awal penelitian hanyalah asumsi awal pada tahap dengan informasi paling minim; jika Agent hanya bergerak berdasarkan tujuan (Goal-Driven) untuk mengejar tujuan yang telah ditetapkan, bahkan menghabiskan Token berulang kali untuk tujuan yang tidak mungkin dicapai, maka akan terjadi kekakuan tujuan. Sebaliknya, Evidence-Driven membalikkan logika kendali: langkah selanjutnya ditentukan oleh bukti yang sudah ada, bukan oleh asumsi awal rencana. Semua hasil yang dihasilkan selama proses berjalan adalah bukti valid yang dapat mengubah rute; sistem ini benar-benar didorong oleh bukti. Secara khusus, Driver perlu secara berulang menjawab empat pertanyaan berikut berdasarkan bukti saat ini:

Apakah pekerjaan ini sudah selesai dan kualitasnya cukup baik?

2. Berdasarkan bukti saat ini, langkah selanjutnya yang paling layak dilakukan adalah apa?

3. Pengalaman dari putaran ini seharusnya mengubah perilaku sistem di masa depan?

4. Apakah masalah yang tersisa melibatkan keputusan yang hanya bisa diambil oleh manusia?

Argus mengelompokkan proyek jangka panjang menjadi Campaign yang berkelanjutan, lalu membaginya menjadi serangkaian Mission dengan batasan yang jelas. Siklus dasarnya adalah Manager → Planner → Engineer ⇄ Reviewer → Manager:

Dengan merujuk pada mode /goal dari OpenAI Codex, orientasi desain Argus dapat dipahami dengan lebih jelas. /goal memperpanjang siklus tunggal agen menjadi siklus berkelanjutan dengan state tujuan; Argus mengorganisasi proyek penelitian menjadi runtime jangka panjang dengan multi-peran, multi-harness, dan pengetahuan yang dapat diendapkan. Yang pertama menjawab “bagaimana membuat agen tidak berhenti”, sementara yang kedua menjawab “setelah agen tidak berhenti, bagaimana membuatnya bekerja secara efektif”. Ini merupakan perbedaan struktural di tingkat runtime yang sesuai dengan peralihan dari Goal-Driven menjadi Evidence-Driven.

1. Manajer menguasai transisi tahap, persetujuan proses, dan strategi global;

2. Planner merencanakan tugas spesifik berdasarkan bukti saat ini;

3. Insinyur masuk ke repositori kode nyata, eksperimen, eksekusi;

4. Reviewer meninjau artefak secara independen, memeriksa inovasi dan efektivitasnya, serta melaporkan kepada Manager atau mengembalikan ke Engineer.

Fokus di sini bukan pada banyak peran itu sendiri, tetapi pada pemisahan konteks — beberapa peran bekerja sama untuk mencegah agen menjadi hanya alat pendaki lokal sederhana, di mana setiap peran memiliki konteksnya sendiri tetapi berbagi ruang kerja, sehingga tidak semua perencanaan, eksekusi, dan verifikasi diserahkan kepada satu agen, yang dapat meningkatkan efisiensi token. Oleh karena itu, dalam satu tugas Argus, Anda dapat mengaktifkan Pi, Codex, Claude Code secara bersamaan, DeepSeek Harness Berbagai harness yang berbeda, menjamin kustomisasi tinggi.

Sistem menyimpan satu set lengkap artefak; hanya pengalaman yang melewati ambang bukti yang akan masuk ke Wiki dan Skill, dan dapat digunakan kembali untuk tugas berikutnya dalam cakupan Project, Vertical, atau Global.

Sementara itu, Core dan Vertical tetap terpisah: Core bertanggung jawab atas izin peran, pengajuan bukti, dan batas manusia, sedangkan Vertical didefinisikan oleh ahli bidang mengenai apa yang dianggap bukti valid dalam tugas-tugas matematika, GPU, material, dll., serta keterampilan dan pengetahuan manusia terkait; Vertical secara signifikan dapat meningkatkan kualitas pengiriman tugas penelitian, sekaligus menyediakan antarmuka untuk kolaborasi evolusioner antara ahli manusia dan agen, serta pelokalan alur kerja.

Gambar 3: Mekanisme jangka panjang Argus. Empat peran berputar mengelilingi status persisten, dan Kampanye dapat maju atau mundur di antara delapan tahap penelitian.

Yang benar-benar menentukan apakah Agent jangka panjang berhasil adalah apakah waktu dapat diubah menjadi hasil penelitian nyata. Kurang dari satu bulan setelah Argus dirilis sebagai sumber terbuka, tim ini telah memberikan kontribusi luar biasa dalam infrastruktur, material, chip, matematika, dan penelitian sistem AI. Kami juga merupakan tim pertama yang mengumumkan log penyaringan penyelesaian konjektur matematika end-to-end lengkap, serta membuka seluruh jejak sesi operasi. Berikut adalah ringkasan pencapaian Argus setelah dirilis sebagai sumber terbuka:

Gambar 4: Penelitian representatif Argus, indikator kunci, dan dasar penerimaan

Seperti yang ditunjukkan pada tabel di atas, Argus pertama-tama mengubah operasi berkelanjutan menjadi pengiriman nyata yang dapat diterima di AI4System & Infra, menyelesaikan langkah pertama dari eksekusi otomatis menuju penelitian otonom melalui hasil teknis yang jelas; selanjutnya, tugas diperluas dari infrastruktur AI ke AI4Science, AI4Hardware, dan AI4Math, dengan kriteria evaluasi yang berubah dari "apakah tugas yang ditetapkan telah selesai" menjadi "dapatkah masalah penelitian nyata yang belum terpecahkan dieksplorasi", sehingga penelitian otomatis berkembang dari pengiriman otomatis menjadi eksplorasi otomatis; berdasarkan ini, Argus selanjutnya memperluas pencapaian titik tunggal menjadi alur penelitian lengkap di bidang AI4AI, dengan bukti yang terus mendorong kemajuan tugas tanpa memerlukan kehadiran manusia secara terus-menerus di depan layar, membentuk jalur progresif dari pengiriman nyata, eksplorasi lintas bidang, hingga penelitian otonom penuh.

Gambar 5: Hasil pengiriman Argus dalam proses produksi makalah lengkap.

Semua hasil di atas dicapai dalam waktu 1 bulan; dengan menghubungkan pencapaian-pencapaian ini, Argus adalah rantai nilai yang semakin memperdalam: objek otomatisasi diperluas dari eksekusi tunggal menjadi penelitian yang didorong oleh bukti, mempercepat kemajuan penelitian secara signifikan, yang juga merupakan jawaban paling langsung terhadap pertanyaan “Setelah manusia meninggalkan layar, siapa yang mengemudikan Agent?”

Long-range intelligence mengubah token menjadi kecerdasan, lalu menggunakan kecerdasan tersebut untuk terus mendorong proyek penelitian dan menghasilkan nilai nyata. Argus mengorganisasi pemanggilan model yang sebelumnya terpisah menjadi satu sistem penelitian yang berjalan terus-menerus, memandu arah melalui Evidence-Driven, serta mengubah pengalaman menjadi kemampuan melalui evolusi mandiri.

Argus tidak hanya menunjukkan agen dengan waktu berjalan lebih lama, tetapi juga cara baru dalam mengorganisasi penelitian: Harness menyelesaikan bagaimana model bertindak, Driver menentukan bagaimana sistem terus bergerak, kecepatan penelitian tidak lagi dibatasi oleh waktu kerja dan hiburan manusia. Ini mungkin berarti era percepatan penelitian sedang datang. Layar bisa dimatikan, penelitian tetap berjalan.

Perkenalkan penulis

Argus dipimpin oleh peneliti dari Microsoft dan Shanghai Jiao Tong University, serta didorong bersama oleh peneliti dari berbagai universitas.

Artikel ini berasal dari akun WeChat "Machine Heart"