「智能体基准」共找到 4093 篇相关文章
CodeClash 通过多轮编程竞赛对大型语言模型进行基准测试
为评估大型语言模型（LLM）编码能力，斯坦福、普林斯顿和康奈尔研究人员开发 CodeClash 基准测试，让多个 LLM 在多轮比赛中较量，涉及多种代码竞技场，还评估模型分析代码库能力，未来将处理更大代码库。
世界模型评测的最大盲区，被这个新基准捅破了
过去一年，‘世界模型’成视频生成领域热词，厂商强调产品要模拟真实世界运行规律，但业界评测一直未能精准检验其‘物体恒存’的认知能力。为此，研究者提出新基准MemoBench，测试了主流模型，揭示其短板。
这家国内公司，在给具身智能技术栈做「通解」
具身智能是AI热门赛道，世界人工智能大会WAIC 2025让其概念渐明。国内梅卡曼德公司展位集合机器人技术多种落地形式，展示自研通用机器人「眼脑手」全栈技术产品，推动机器人各行业落地。
李飞飞押注的空间智能：生成的世界，如何「经得起折腾」？
李飞飞押注的空间智能是世界模型主流路线之一，旨在让AI生成可操作三维世界。但当前AI生成世界存在“中看不中用”问题，构建“站得住”的世界面临速度与状态瓶颈，生境科技等实践提供了解决思路。
AI 集成的智能 Profiling 实践：从性能分析到优化闭环
本文由韩钦亭撰写，分享了在已有 Profiling 平台引入 AI 智能辅助模块的实践。介绍了设计思路、工程实现、应用成效，对比不同大语言模型，通过实际案例展示优化效果，还探讨了 AI 在性能优化场景的未来潜力。
商汤科技与南洋理工大开源空间智能多模态SOTA模型
商汤科技与南洋理工大学构建800万量级三维空间数据集，训练出开源SOTA多模态基础模型SenseNova - SI系列。该系列模型在多个权威测试中表现出色，部分超越GPT - 5，还展现出泛化等能力，且能赋能具身智能。
Vercel CEO爆Kimi K2智能体准确率超GPT-5 50%？国产的风还是吹到了硅谷
Vercel CEO称内部测试中，国产Kimi K2模型运行速度和准确率均优于GPT - 5和Claude Sonnet 4.5。硅谷多家公司已接入或转用K2，K2 Agent能力也经受住检验，还给出使用和价格相关信息。
GUI智能体训练迎来新范式！半在线强化学习让7B模型媲美GPT-4o
浙江大学与通义实验室团队推出UI - S1，提出半在线强化学习训练范式。它融合离线与在线学习优势，用三项关键技术构建核心架构，新评测指标SOP更贴近真实表现，实验显示UI - S1 - 7B性能卓越，逼近GPT - 4o。
刚刚，奥特曼发布GPT-5！人人免费用「博士级」智能，基准图错误遭全网吐槽
OpenAI 发布 GPT - 5，奥特曼连发推文介绍看点。它是集成模型，有免费版、Plus 和 Pro 计划，多领域跑分亮眼。不过直播现小 bug，跑分图出错，马斯克拆台，表现未达部分人预期。
从“云原生”到“智能原生”，AI中间件走到哪一步了？
InfoQ直播栏目邀蚂蚁集团专家探讨AI中间件基建，指出其核心价值，如降低开发门槛等。还谈及云原生到智能原生的转变、记忆服务定位、自研必要性等，分析未来挑战与方向，10月上海QCon大会将聚焦相关话题。