「评估驱动开发」共找到 2708 篇相关文章
专业医生远不如AI模型？OpenAI推出医疗开源测试基准HealthBench，o3表现最强
OpenAI推出医疗开源测试基准HealthBench，由262位多国医生合作打造，含5000段真实健康对话。评估显示o3综合表现最佳，顶尖AI处理任务能力超无辅助医生，HealthBench更真实专业有区分度，但也有局限。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
杨立昆亲自指导开源世界大模型，为AI Agent打造超级大脑
今天凌晨，Meta开源世界大模型V - JEPA 2，它用超大规模数据集训练，能让AI Agent理解物理世界。图灵奖得主杨立昆参与开发并推荐。模型经多方面改进，还拓展用于机器人规划和视频问答，效果良好。
让你的 ClaudeCode 秒变 Openclaw（龙虾），连接飞书、Discord 远程控制
作者用Vibe Coding开发Agent客户端Codepilot，将Claude Code桌面端功能拓展，支持飞书等IM远程连接等。还开源Claude-to-IM及Claude-to-IM-skill项目，前者适合开发者接入IM远程控制，后者可让Claude Code与IM远程交互。
编程奇点逼近，程序员斩杀线就在眼前！软件版YouTube时刻在发生
新智元报道，软件开发正迎来「YouTube时刻」，AI工具如Cursor、Claude Code等让编程变简单。A16z投资人预言App创建速率或飙升10倍，软件边际成本趋近零，人人可成开发者，不过程序员也面临被AI替代风险。
DeepSeek 新模型曝光，即将发布
据彭博社消息，年初凭 R1 模型震动全球的 DeepSeek 正开发全新 AI Agent 模型，创始人推动团队在今年四季度发布。该模型能代表用户执行多步骤操作、基于过往行为学习改进，行业也在向 Agent 软件转型。
All in AI 两年，AI 代码采纳率突破 50%！安克创新龚银：AI 平台一旦过时，我们会毫不犹豫重构
安克创新2023年决定All in AI，探索适配内部运营与新的产品形态。这两年有项目放弃也有成果，如代码采纳率突破50%。其评估AI落地可行性关注业务、技术、团队成熟度，还采取差异化管理应对创新的ROI问题。
深度剖析 MCP SDK 最新版： Streamable HTTP 模式正式发布，为你实测揭秘
MCP SDK 新版本 v1.9.0 发布，新增 streamable HTTP 传输模式。本文对该模式全面剖析与实测，涵盖快速上手、核心参数、session - id 等内容，还介绍开发服务端及多应用实例模式，指出新模灵活性提升但有不足。
阿里重磅开源！Open Code Review：一周 5k star，为你的代码保驾护航
阿里开源 Open Code Review，它前身是内部 AI 代码评审助手，经大规模验证。该工具结合确定性工程与 Agent，解决通用 Agent 评审代码的问题，在准确率、效率等方面表现出色，还介绍了使用方法和评估方式。
一年磨一剑，今年最炸机器人Demo来了！1亿美元种子轮团队出手，单个模型解锁单手打蛋解魔方弹钢琴
Genesis AI发布机器人基础模型GENE - 26.5，让机器人可自主完成烹饪、实验室操作等复杂任务。该团队全栈自研，从硬件、数据、模型到训练评估都有独特方案，曾获1.05亿美元种子轮。