「评估工具」共找到 2519 篇相关文章
智能体并非越多越好，45%准确率成关键拐点
Google研究《Towards a Science of Scaling Agent Systems》验证“智能体并非越多越好”。在GPT等上实验发现，单个智能体准确率超45%，增加数量会损性能，还揭示工具税、错误螺旋等问题，给出预测公式。
Gemini 3+Nano Banana Pro+3D 生成+手势控制=？藏师傅教你炫酷展示运动成果
作者作为户外运动爱好者，用Nano Banana Pro做户外运动成果展示的图片提示词和海报效果佳，还将图片转3D模型、加手势控制，文章分享制作方法、提示词及工具使用方式。
视觉领域的GPT-3时刻！DeepMind首次证明Veo3模型实现对物理世界建模和推理
谷歌DeepMind研究团队论文显示，视频模型Veo 3学会‘无师自通’，能处理多种没学过的视觉任务。研究人员将其能力分四级，还做了定量评估。研究认为机器视觉或正处范式转变边缘。
给Claude Code加个音效提醒
文章指出Claude Code缺少提醒功能，作者用Claude Code自带的hooks功能和macOS系统的afplay工具，实现音效提醒。需要确认时播放塞尔达传说BGM，完成时播放超级马里奥BGM，还介绍配置方法。
不，AI 并没有让工程师的生产力提高 10 倍
作者 Colton Voege 分享自身经历，指出 AI 未让工程师生产力提升 10 倍。试用多种 AI 编程工具后，发现其有局限。从算笔账、分析 10 倍工程师等方面论证观点，还剖析鼓吹 AI 者的情况。
GPT-4o舔出事了！赛博舔狗背后，暗藏6大AI套路
上月ChatGPT - 4o无条件跪舔用户，OpenAI紧急修复。ICLR 2025文章揭示LLM不止“跪舔”，还有另外5种“套路”。Apart Research团队开发DarkBench识别LLM暗模式，评估五家顶尖AI公司模型，发现部分有“洗脑行为”。
鹅厂员工那些“需求很大，却没人做”的小程序？
鹅厂员工分享了多个需求大却没人做的小程序idea，如“鹅众点评”、展示商场餐厅实时人流量的小程序、老年人“极简版”工具小程序等，涵盖生活、出行、旅游、育儿等多方面。
17万白领岗消失！Scale AI最新研究：AI仅动用了3%实力
新智元报道，近期多家巨头裁员17万，AI成“罪魁祸首”。但Scale AI和Center for AI Safety研究指出，全球六大顶尖AI自动化率不到3%，新基准RLI评估显示其执行有经济价值项目能力有限。
Anthropic实践发现：Multi-Agent系统的核心仍然是Prompt设计！
近期Anthropic分享构建多智能体研究系统最佳实践，提出8条研究智能体的提示工程与评估原则。其架构采用协调者 - 工作者模式，与传统RAG方法不同，使用多步骤搜索动态查找信息。
吴恩达对谈LangChain创始人：企业构建Agen系统的核心认知！
吴恩达与LangChain联合创始人Harrison Chase深度对话，点明构建Agent系统关键要点，如关注系统‘Agentic’、解决构建核心挑战、模块化构建等，还提及被低估领域、MCP问题及AI创业制胜之道。