「自动化评测」共找到 1071 篇相关文章
Auto Research时代，AI Scientist的第一场药企实习考验｜甲子光年
AI Scientist从大模型做题家进化为自动化科研助手，但从demo到应用面临买单难题。Phylo等团队构建BiomniBench评估框架，让AI做药企真实数据分析，结果显示AI表现超人类实习生，且有速度和成本优势，但也存在偏科问题。
千问Qwen旗舰预览版Qwen3.6-Max-Preview发布
千问Qwen发布下一代旗舰模型早期预览版Qwen3.6 - Max - Preview，在权威评测中登顶最佳国产模型。此前开源的Qwen3.6 - 35B - A3B用30亿激活参数匹敌数百亿参数稠密模型，新模型在多方面给出技术演进方向。
开源Agent模型榜第一名，现在是阿里通义DeepResearch
阿里开源首个深度研究Agent模型通义DeepResearch，在多权威评测集上超越多个Agent模型。它采用多阶段数据策略，有两种推理模式，革新训练流程，已赋能高德出行Agent和通义法睿等应用，且模型等均已开源。
3万字长文带你WorkBuddy 从入门到精通
这是 WorkBuddy 的「从入门到精通」指南。介绍了它在 Windows 和 Mac 上的安装、登录、更新方法，功能涵盖新建任务、助理页面、项目页面等。还讲了技能、连接器、专家中心的使用，以及自动化、资料库、灵感等功能，还有实践案例、使用技巧和常见问题解答。
为什么你的"AI 优先"战略可能大错特错？
文章指出与其说AI First，不如说软件工程First。AI时代人成了瓶颈，应把人从链条拿掉。但实施AI First需满足自动化测试、CI/CD流程等条件，且只适合部分场景。还介绍了相关技术栈、功能开发和修复路径及成果。
DeepSeek V3.1更新「最终版」！下一次是V4/R2了？？？
DeepSeek-V3.1更新至DeepSeek-V3.1-Terminus版本，修复了“极你太美”等bug，缓解中英文混杂等情况，优化了Code Agent与Search Agent表现。评测显示输出更稳定，但编程竞赛分数下降引质疑，版本名引发对后续版本猜测。
8 个月营收提高 4 倍，n8n 为什么是 AI Agent 最受欢迎的搭建平台？
n8n 从工作流自动化工具升级为 AI 应用编排层，8 个月营收提 4 倍，正进行超 1 亿美元融资。它能与 AI 无缝集成、社区活跃，使用场景广，有云服务和企业级服务，在竞争中有优有劣，采用独特开源许可。
谷歌最强大模型付费上线，在DeepSeek开源后被吐槽太贵
谷歌最强模型Gemini 3 Deep Think上线，推理能力强，能将草图变3D场景、搭建游戏。它在多评测基准表现出色，准确率超GPT - 5 Pro等。但仅向Ultra会员开放，月费约1800元，被吐槽贵，开源的DeepSeek-V3.2成冲击因素。
MiniMax深夜开源首个推理模型M1，这次是真的卷到DeepSeek了。
MiniMax深夜开源首个推理模型M1，其上下文能力媲美Gemini 2.5 Pro。M1在部分评测中表现中规中矩，但在MRCR（4 - needle）测试中屠榜。它得益于MiniMax - 01基座模型，应用Lightning Attention机制，开源了40K和80K两个版本。
中科院类脑大模型SpikingBrain，2%数据，百倍速度
中国科学院自动化研究所李国齐、徐波团队发布全球首款大规模类脑脉冲大模型SpikingBrain 1.0。它处理长文本比主流Transformer模型快超百倍，训练数据仅为2%。该模型采用新架构，降低计算复杂度，还可转换现有模型，且在国产GPU完成训练。