「自动化评估」共找到 1147 篇相关文章
OpenAI诈骗？GPT-4.1正式上线ChatGPT，网友实测却大呼失望
OpenAI官宣GPT - 4.1在ChatGPT中可用，Plus、Pro和Team用户可访问。它擅长编码和遵循指令，评估表现有优有劣。实测代码处理表现佳，但网友因无100万上下文窗口API版本而失望。
人工智能驱动的科研新范式及学科应用研究
文章指出AI驱动的科研新范式通过数据、算力、算法深度耦合嵌入科研全过程，引发多方面变革。总结其特征与演化方向，分析学科应用要求与成功案例，还提出我国推动AI科研应用的启示与建议。
AI软递归自我提升，Hassabis夜不能寐：人类已至奇点山脚
AI递归自改进和研究自动化正从概念走向现实，哈萨比斯称人类站在「奇点山脚」。Claude已独立编写超80%代码，Anthropic工程师效率大幅提升。但AI递归也带来安全风险，全球实验室陷入「囚徒困境」。
Kimi总裁张予彤北大实录：我们想要有抽象能力和偏执的人｜甲子光年
Kimi总裁张予彤在北大分享，谈AI时代人才标准，偏好有抽象能力和偏执的人。还探讨AI创造新工作、学校课程设计、企业管理等问题，分享Kimi招人标准、组织特点及对行业诸多问题的看法。
回敬 Codex，Claude Code 推出 /goal 功能，不干完不睡觉
Claude Code随2.1.139版本推出 `/goal` 命令，设定完成条件后可持续工作至目标达成。它与Codex互相借鉴功能，且在设计上采用裁判分离，官方也给出目标制定建议，还带来其他更新。
告别“氛围编程”：基于 Harness 治理和 SDD 的团队级 AI 研发范式演进与实践
本文作者王树新分享团队级AI研发范式演进与实践。指出AI Coding存在自由发挥、效率降低、关键信息丢失问题，分析出码率提升却未提效的原因，引入SDD与Harness解决问题，并介绍全流程自动化实践。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。
手机版openclawd来了，无需Root，让 AI 像人类一样使用你的手机
Andclaw是个人开发者开源的Android自动化工具，核心理念是让AI像人类一样使用手机。它无需Root、电脑，通过无障碍服务读取屏幕内容，让AI分析操作。具备无需Root、独立运行等功能，还支持多模态输入。
如何定义“人味儿”？——HeartBench评测体系建设实践
在大模型竞争格局生变，情感智能评测缺失的背景下，作者团队发布聚焦AI拟人化的中文评测体系HeartBench，介绍其设计、评估方式、迭代过程等，还沉淀了评测体系构建方法论及专家标注管理思考。
清华发布世界模型评测新标尺：直击机器人感知与行动鸿沟
清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。