「元评估」共找到 1373 篇相关文章
Opus 5通关ARC-AGI-3！Harness正在变成捆住模型的绳子
ARC Prize官方给Opus 5的ARC - AGI - 3成绩为30.2%，但开发者Jeremy Berman让其借助电脑，正确率飙升至96.2%。还开源代码，换用Codex等测试效果差。表明模型强时，简单环境更佳。
退钱！Claude 4.8连夜大降智，GPT-5.6算力遭「腰斩」
最近AI社区遭遇集体降智潮，OpenAI疑似暗中开启GPT - 5.6灰度测试，克扣用户思考预算；Anthropic的Claude Opus 4.8被曝断崖式降智，性能不如旧版。或因SpaceX上市抽干流动性，巨头降本增效。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。
Meshy用户破千万后杀向新战场：ARR年翻14倍，头部厂商集体买单
Meshy是计算机图形学大神胡渊鸣创立的AI 3D公司，其创意工坊打通“AI创意→实体交付”。Meshy生成模型打印适配度高，破圈至多元领域，注册用户破千万，ARR年翻14倍，获多轮融资。
迈向无缝共生：大模型GUI Agent的「屏幕图灵测试」与拟人化之路
多模态大模型使GUI Agent能模拟用户执行任务，但也引发与平台的利益冲突。论文提出“屏幕图灵测试”和AHB基准评估拟人化能力，探讨拟人化策略及权衡，为Agent在数字世界共生提供指南。
没等VC下场，机器人厂商们先投了一家数据公司
2026年具身智能市场火热，智域基石获灵初智能等四家企业数千万元天使轮融资。其定位第三方数据公司，核心团队背景互补，明确不做本体、模型等四件事，还构建自动化编译管线处理数据。
高盛怕了！Claude Mythos全球首个攻破企业网络，奥本海默时刻来了
英国AI安全研究所研究显示，Anthropic发布的Claude Mythos Preview模型在网络安全评估中表现惊人，能全自动、全自主完成企业网络攻击模拟。高盛为此加强网络防御，人类网络安全或进入奥本海默时刻。
警惕！“养龙虾”风险，一键给你的Openclaw做安全体检
OpenClaw在短时间内登顶GitHub开源榜首，国内企业纷纷部署。但它存在安全隐患，如漏洞、隐私风险等。朱雀实验室联合腾讯云EdgeOne推出「OpenClaw安全体检」功能，可自动完成全面体检与风险评估。
谷歌研究院探索多智能体协调的扩展原则
谷歌研究院对180种智能体配置对照评估，得出‘AI智能体系统首批定量扩展原则’。发现多智能体协同效果因任务而异，还指出工具使用瓶颈等问题，且开发预测模型辅助架构选择。
YC总裁转发、登顶Hacker News：SkillsBench揭开Agent技能扩展的残酷真相
近日论文《SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks》引发海外AI社区关注。研究聚合47150个Skills，经严格筛选评估，揭示人工构建Skills效果好、AI自生成无效等核心发现，为AI研发指明路径。