搜索：自动评测体系

「自动评测体系」共找到 1696 篇相关文章

OpenAI Astra发布在即，全自动网络攻防能力已突破天际！

OpenAI即将发布的模型Astra，在内部评测中获ExploitBench满分，还发现两个零日漏洞。它能力远超上一代GPT - 5.6 Sol且更听话。不过为安全考虑，OpenAI部署监控，还放慢其研究速度。

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。

谷歌DeepMind研究员Lun Wang离职后发文指出，当下评估体系难以应对新模型，制约模型能力飞跃。现有评估多针对当前模型，新能力出现时往往无法预测，需构建能自我进化的评估系统。

商汤新开源的 8B 多模态模型 SenseNova U1，架构独特，图像评测表现好，信息图生成能力强、延迟低。它具备图文交错能力，适合自媒体、敏感行业等，有在线体验和开源代码入口。

清华开源的OpenMAIC是多智能体互动课堂平台，能将文档转化为互动学习场景，自动生成课件等内容，有五种交互式界面、AI教师指导，可在任何设备使用，对教育场景很有价值。

剑桥大学团队开源面向AI个人助理的长期记忆基准测试ATM - Bench，评估AI面对真实生活数据时能否「记住你」。实验结果不佳，专用和通用智能体系统准确率低，凸显长期个性化记忆问答难题。

李飞飞团队开源核心技术Spark 2.0，可优化3D世界，让普通设备通过浏览器流畅访问交互。它有自动选细节、分批加载、优化存储三绝招，适配主流框架，有望改变与数字世界互动方式。

AlphaGenome 能解读人类和小鼠基因组中 98% 不编码蛋白质部分，识别多项特征。它经预训练和知识蒸馏，在多项评测超早期模型，API 等免费用于非商业，助研究基因组与生物过程联系。

NeurIPS以「合规」为由出台歧视性政策，引发强烈不满。其官方回应遭群嘲，中国科协出手将其2026年在中国学术评价体系中「含金量」归零，顶尖学者集体退审，顶会审稿制度也在坍塌。

北京大学Narwhal - Lab开源项目MagicSkills，把AI Agent所需技能统一管理，实现能力复用。它解决了技能管理分散、重复等问题，提供共享体系，让技能可安装、组合、同步和调用，适用于多Agent项目等。