「自动化评估工具」共找到 2870 篇相关文章
OpenClaw Skill × DuckDB：一个会自动进化的电商销售分析预测是怎么炼成的
文章介绍 OpenClaw Skill 系统，给 AI 操作手册让其做事，还引入 DuckDB 解决大数据分析慢问题。以电商销售分析预测为例，展示两者结合实现自动化数据分析迭代闭环，使模型预测更准。
Seedance 2.0之后，又一中国视频模型SkyReels-V4登上全球第二
昆仑天工发布SkyReels V4视频大模型，在Artificial Analysis Arena基准测试中排全球第二。它支持多模态输入、音视频同步生成等，采用独特架构与技术，经多阶段训练，有全新评估基准，表现出色。
GitHub 19k star 写爬虫被封IP？Social Analyzer内置代理池，直接给你轮换出口，省去自己维护
Social Analyzer是开源OSINT工具，有API、命令行和Web应用，可在1000+社交媒体/网站分析查找同一人公开档案。它能降误报，助对付可疑账号，已获19k Stars，还被部分执法机构使用。
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
OpenAI：我们正朝着什么方向优化 ChatGPT？
OpenAI 官网文章称，ChatGPT 发展方向是成‘对你有用’的工具，不追逐 DAU 或让用户沉迷。它介绍了有用的使用场景，还提及健康使用方面的改进及与专家合作提升响应能力等内容。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
0.5B以小搏大拿下端侧模型新SOTA：4090可跑，长文本处理5倍常规加速丨清华&面壁开源
清华大学和面壁智能团队开源MiniCPM 4，有8B、0.5B两种参数规模，以22%训练开销达同级别最优。它在架构、推理、数据、训练多方面创新，性能领先，适用于综述生成、工具调用等场景。
惊讶！！！3.2 万 Star OpenViking，让你的原地起飞！！！
OpenViking有3.2万Star，它把记忆、文档、提示词等上下文统一成可浏览地址空间，设计三层信息按需加载，检索留轨迹，还接入多种工具。不过它处Alpha阶段，用前要考虑许可证。
Claude 或将推出 App Builder 功能，打造新的 App Store
Anthropic或为Claude推出App Builder功能，用户能从零构建全栈应用。此前Anthropic已从工具向平台转型，而OpenAI的GPT Store尝试失败，App Builder若成功，Claude将成新应用分发入口。
我写 nano banana pro 提示词时的原则和策略
作者分享写 nano banana pro 提示词的原则与策略，原则是做成模板、结合模型能力；策略是先跑通原型再抽象成模板；不过度精简提示词，还介绍用 GPT-5.1 等工具辅助。