「软件评测」共找到 1248 篇相关文章
AI Coding时代的柔性之美：从静态软件到自演化软件，软件研发正在重新进化
本文为王博在《AI原生软件研发成熟度模型AISMM 2026》白皮书发布之际撰写，探讨AI Agent介入后软件形态、研发流程的变革，提出柔性软件概念与传统软件柔性化路径，为企业AI原生研发提供参考。
评测也很酷，Data Agent 自动化评测的三层框架与实战
在大模型技术飞速发展下，评估应用效果成难题。字节跳动尹小明分享自动化评测技术，提出三层评测框架，还介绍 Text - to - SQL 及深度研究评测改进，以及评估平台建设，最后展望自动化评测未来方向。
DeepEval：LLM 应用评测不再玄学，让大模型评测像写单元测试一样简单
在大模型应用开发中，科学、自动化评测 LLM 输出质量是难题，人工评测效率低。DeepEval 是 Confident AI 团队开源的 LLM 评测框架，能用极简代码让评测像写 pytest 一样自然，内置多种评测指标，支持批量评测等。
AI真能用好科研软件吗？清华团队推出OSWorld-Science，智能体迎接硬核大考
本文针对AI能否自主操作科研软件完成真实科研任务的问题，介绍了清华大学牵头多机构推出的OSWorld-Science，这是面向真实科研场景的智能体评测基准，包含146项真实科研任务，评测了12个主流模型，曝光了当前智能体的能力短板，为领域研究提供了统一评测基础。
软件又“死”一次？一款AI工具突然爆火，号称能逆向还原任何软件
本文报道GitHub上星标超12.4万的爆火开源项目REA，该项目可借助AI在无源代码的情况下分析还原软件功能，整合传统逆向工具与AI编程助手，引发软件行业关于技术壁垒与商业模式的热议。
MetaGPT 用户智能体发布，开启端到端自主软件测试新范式！
当前AI软件领域代码生成智能化发展快，但测试验收仍靠手动，效率低。MetaGPT推出用户智能体，研究团队发布RealDevWorld框架和AppEvalPilot实现端到端自动化评测，解决复杂软件质量评估难题。
软件完蛋了吗？REA三天狂揽12万星：无需源码，Agent就能克隆一切软件
GitHub开源项目REA上线三天狂揽12万星，它让AI Agent串联传统逆向工具，可无需源码分析各类软件并生成相似功能代码，动摇了闭源软件“源码不公开”的价值基础，引发行业对软件商业模式的广泛讨论。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。
面向业务落地的AI产品评测体系设计与平台实现
文章聚焦淘宝闪购技术部AI产品评测，先介绍AI业务应用场景与评测挑战，接着阐述评测体系从多方面思考的要点，包括评价维度、评测方式等，还提及平台建设成果，最后展望未来多模态评测等规划。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。