Salesforce AI Research

Salesforce AI Research 开源了 GIFT-Eval-CTX，用来衡量预测系统能否把前瞻性业务上下文转成准确的数值预测。传统时间序列基础模型只吃历史数值，难以利用热浪、封路、软件发布这类已知的未来事件。该基准把上下文拆成宏观趋势与微观事件两层结构化效应，覆盖 20 个真实数据集的 1 万项任务；在历史数据之外加入结构化未来上下文后，GPT-5.6 Sol 的误差下降 40.7%，Claude Opus 4.8 下降 29.6%。

Salesforce AI Research 开源了 GIFT-Eval-CTX，用来衡量预测系统能否把前瞻性业务上下文转成准确的数值预测。传统时间序列基础模型只吃历史数值，难以利用热浪、封路、软件发布这类已知的未来事件。该基准把上下文拆成宏观趋势与微观事件两层结构化效应，覆盖 20 个真实数据集的 1 万项任务；在历史数据之外加入结构化未来上下文后，GPT-5.6 Sol 的误差下降 40.7%，Claude Opus 4.8 下降 29.6%。

Salesforce AI Research 发布 Interactive Visual Gym（IVG），把视觉 AI 助手的评测从被动观看预录视频改成闭环仿真：助手看用户的实时画面并给出语音提示，模拟用户会据此改变动作。配套的 IVG-Bench 覆盖三个操作环境中的 315 个复杂场景，评测 14 个视觉助手，其中最强的 Gemini 4 Argon 在三环境平均的限时任务成功率只有 53.4%。在早期概念验证中，用该仿真器训练的开源模型 Gwen 3.5-4B 在训练中从未见过的新任务上成功率从 33.3% 升到 42.2%。

Salesforce AI Research 发布 Interactive Visual Gym（IVG），把视觉 AI 助手的评测从被动观看预录视频改成闭环仿真：助手看用户的实时画面并给出语音提示，模拟用户会据此改变动作。配套的 IVG-Bench 覆盖三个操作环境中的 315 个复杂场景，评测 14 个视觉助手，其中最强的 Gemini 4 Argon 在三环境平均的限时任务成功率只有 53.4%。在早期概念验证中，用该仿真器训练的开源模型 Gwen 3.5-4B 在训练中从未见过的新任务上成功率从 33.3% 升到 42.2%。

Salesforce AI Research 更新了 Agentforce Memory 的记忆策略，让智能体把客户后来改口的信息当作对旧事实的更正，而不是另存一条新事实。评估在运行中的 Agentforce 系统上进行，用 ConvoMem 基准生成跨多轮会话、沿途埋入特定事实的长对话，再就这些事实提问。更新后的策略对客户明确陈述的事实召回量是旧策略的 1.8 倍，对随时间变化的事实是 2.2 倍，而底层架构没有改动。

Salesforce AI Research 更新了 Agentforce Memory 的记忆策略，让智能体把客户后来改口的信息当作对旧事实的更正，而不是另存一条新事实。评估在运行中的 Agentforce 系统上进行，用 ConvoMem 基准生成跨多轮会话、沿途埋入特定事实的长对话，再就这些事实提问。更新后的策略对客户明确陈述的事实召回量是旧策略的 1.8 倍，对随时间变化的事实是 2.2 倍，而底层架构没有改动。

Salesforce AI Research 推出面向企业实时对话的语音模型 Launa-Omni，它把语音与语言放进同一个经音频改造的文本模型，再由自研文本转语音模型说出回复。与把语音识别、语言模型和语音生成串成流水线的做法不同，语音在进入推理前不被转写成文字，因此语速、停顿和重音等信息不会在第一次交接时丢失。模型规模明显小于若干更大的语音模型，在语音指令遵循、多轮对话和客服任务上报告了有竞争力的结果，并已以简化形式用于 Slack 的语音听写功能。

Salesforce AI Research 推出面向企业实时对话的语音模型 Launa-Omni，它把语音与语言放进同一个经音频改造的文本模型，再由自研文本转语音模型说出回复。与把语音识别、语言模型和语音生成串成流水线的做法不同，语音在进入推理前不被转写成文字，因此语速、停顿和重音等信息不会在第一次交接时丢失。模型规模明显小于若干更大的语音模型，在语音指令遵循、多轮对话和客服任务上报告了有竞争力的结果，并已以简化形式用于 Slack 的语音听写功能。