「评估工程」共找到 1392 篇相关文章
CIO 正在抛弃 AI 生码率：一场关于什么才算产研提效的实践复盘
阿里云CIO蒋林泉团队复盘AI时代产研组织效能提升实践。指出多数企业用AI停于工具替换，AI生码率等指标存误区。介绍团队从多方面重构产研组织，如左移质量测试等，还提出新岗位与框架，分享对工具、组织和人的见解。
Kimi总裁张予彤北大实录：我们想要有抽象能力和偏执的人｜甲子光年
Kimi总裁张予彤在北大分享，谈AI时代人才标准，偏好有抽象能力和偏执的人。还探讨AI创造新工作、学校课程设计、企业管理等问题，分享Kimi招人标准、组织特点及对行业诸多问题的看法。
回敬 Codex，Claude Code 推出 /goal 功能，不干完不睡觉
Claude Code随2.1.139版本推出 `/goal` 命令，设定完成条件后可持续工作至目标达成。它与Codex互相借鉴功能，且在设计上采用裁判分离，官方也给出目标制定建议，还带来其他更新。
CVPR 2026｜用互联网视频替代3D标注：通研院团队打造SceneVerse++「最大规模」真实3D场景数据
北京通用人工智能研究院团队在CVPR 2026接收论文中，提出自动化数据引擎，用互联网视频构建SceneVerse++数据集，规模超现有同类，在3D检测、VQA、VLN任务提升性能，还指明3D空间智能发展方向。
“别急着裁底层，很多高管才最该被 AI 接管？”
文章围绕AI在企业中的应用展开，探讨AI预算分配、build vs buy、岗位替代等问题。指出AI预算将按人分配，建东西变便宜但有瓶颈，高层瓶颈更适合先被AI优化，代码审查或成高风险环节。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。
YC掌门人60天写了60万行代码，一个人干20人的活，他把方法论全开源了
Y Combinator总裁Garry Tan 60天写超60万行代码，将方法论整合成开源工具gstack。它把Claude Code变成虚拟工程团队，含15个角色和6个增强工具，可并行运行多个Sprint，还具备多种实用能力。
如何定义“人味儿”？——HeartBench评测体系建设实践
在大模型竞争格局生变，情感智能评测缺失的背景下，作者团队发布聚焦AI拟人化的中文评测体系HeartBench，介绍其设计、评估方式、迭代过程等，还沉淀了评测体系构建方法论及专家标注管理思考。
星标超 29 万，OpenClaw 两天两次大更！适配GPT 5.4，告别“抽卡式 Prompt”
GitHub星标超28万的AI Agent开源项目OpenClaw，在周六与周日迎来两轮重量级更新，集中在模型能力、Agent架构、工程部署及安全机制四个方向。2026奇点智能技术大会将邀专家探讨其产业实践价值。
清华发布世界模型评测新标尺：直击机器人感知与行动鸿沟
清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。