「自动评测体系」共找到 1695 篇相关文章
一个跑智能体，一个专门找漏洞：Google发布Gemini 3.8双版本
9月2日，Google发布Gemini 3.8 Flash和Gemini 3.8 Flash Cyber。前者用于编程等，已稳定上线；后者专用于发现修复漏洞，仅向特定方开放。二者共享基础能力，采用不同安全限制和部署环境。
具身智能的无本体数据，终于有了自己的「代表作」
自变量机器人发布的Demo中，机器人用数百条无本体数据完成化学实验。其发布的TwinDEX系统由无本体数据采集系统和机器人末端执行器组成，能让无本体数据获接近真机数据的训练效果，重新定义数据采集逻辑。
在校生开发，榨干 win 系统全部带宽！
介绍在校生开发的开源工具 HypoMux，它面向 Windows，能把多张网卡「绑」在一起，让下载任务多线路并行。有双模式可选，还能智能分流，兼容主流加速器。操作简便，可解决下载慢问题。
理解归 AI，正确归引擎：从一句话到一条实时数据链路（0代码搭建实时任务）
文章分享直播数据团队搭建AI辅助、指标驱动的实时数据端到端开发系统的实践与思考。从案例介绍用户使用流程，再深入系统内部讲链路构建与演进，阐述设计方法论，最后提出未来规划。
132万字实时字幕！阿里语音模型支持影视飓风100小时直播
阿里升级实时语音识别大模型Fun-ASR-Realtime，首字延迟在百毫秒级别、识别准确率接近离线模型。在影视飓风100小时直播中表现出色，还支持16种方言和30种语言，离线模型Fun-ASR-Flash全球权威榜单排第一。
从 AI 取数到智能分析：企业级数据 Agent 的多阶段演进与工程化落地
文章整理自 Shopee 技术专家王新波在 QCon 全球软件开发大会 2026 北京站的分享。复盘团队打造企业级 Data Agent 实践，揭示技术演进路径，分享将取数工具雕琢为智能分析工具的方法。
Agent不会搞科研？人大微软开源框架&工具包解决盲目试错通病，抱抱脸日榜第一
AI智能体虽能完成多项任务，但大多难以自主科研，易陷入盲目试错。人大和微软研究者提出Arbor框架与工具包，借助Hypothesis - Tree对优化空间结构化探索，多方面表现出色，荣登Huggingface日榜第一。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
Agent学会自己「长」Skill了！从失败里长出经验，比人类写的更好用｜ICML 2026
ICML 2026接收论文提出EvolveR，让Agent从自身成败轨迹自动蒸馏“经验”，经闭环生命周期形成“认知Skill”，维护经验库，用强化学习让其学会“使用经验”，在多跳问答表现优。
刚刚，Claude最新功能泄露！主动助手Orbit接管一切工作
2026年5月4日，testingcatalog挖出Claude隐藏功能Orbit，大概率会在5月6日Code with Claude大会发布。Orbit是主动式简报+洞察系统，跨Claude和Claude Code平台，能自动生成多工具简报，改变产品形态。