「Agent评估」共找到 3313 篇相关文章
Notion 3.0 ｜AI转型最成功的互联网产品是怎么做的？
Notion更新3.0，可视为有所有上下文的通用Agent产品，能调用顶尖模型。它有基础AI能力，如选模型、加上下文等，还升级了Agent创建、MCP等功能，依托生态让提示词可变现。
Agent Token焦虑：当每次对话都在「烧钱」，技术如何破局？| GAIR Live 029期预告
GAIR Live 029 期线上圆桌将直击 Agent Token 焦虑的底层技术逻辑，邀请技术负责人从架构重构与系统优化双重视角，拆解 Claw 类产品如何从烧钱走向省钱。探讨成本解剖、架构升维、系统优化等核心议题。
真实科研水平集体不及格！全新基准SFE给主流多模态LLM来了波暴击
上海人工智能实验室AI4S团队推出SFE评测基准，首创三级评估体系，涵盖五大科学领域66项任务。评测显示主流MLLMs在高阶科学任务有挑战，不同模型、学科表现有差异，还构建了SciPrismaX平台推动AI科学评估生态发展。
DeepSeek新大招曝光：下一步智能体
知情人士爆料，DeepSeek正开发有更强AI Agent能力的新模型，预计年底推出。此前DeepSeek-V3.1已具备更强Agent能力，在工具使用与智能体任务中表现提升。业内对其入局智能体看法不一。
扣子官宣开源，掀桌大动作背后如何决策？扣子负责人独家披露
7月26日，字节将AI Agent平台「扣子（Coze）」旗下Coze Studio与Coze Loop开源至GitHub，采用Apache 2.0许可证。文章披露开源决策背后故事，探讨开源版目标、定位，以及团队对Agent开发未来的思考。
一文读懂深度表格数据表示学习 | 南京大学
南京大学团队系统介绍表格表示学习领域，将现有方法按泛化能力分三类，比较DNN与树模型优劣，剖析核心挑战，探讨扩展方向及数据集评估策略，旨在建跨数据集稳健评估体系。
OCR-Reasoning：揭秘多模态大模型在复杂图文推理中的真实能力
主流OCR评测基准聚焦信息抽取任务，而图文推理任务缺乏系统性评估标准。OCR - Reasoning可系统性评估多模态大模型深度推理能力，还给出多种推理示例，并展示了测评Qwen2.5 - VL - 7B模型的代码。
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。
AI能自己打红警了！经济拉满零交战惨遭打脸，玩家笑疯
Hugging Face推出OpenRA-RL，将《红色警戒》改造成大模型的Agent训练场，50个MCP游戏工具全量暴露，25Hz实时状态流推送，打通三条训练路线，原生接入OpenEnv生态。实战中，Agent经济满分但战斗零分。
如何实现可验证的Agentic Workflow？MermaidFlow开启安全、稳健的智能体流程新范式
随着大语言模型发展，多智能体系统成新前沿，「Agentic Workflow」受关注。但现有系统存在合理性难保证等问题。新加坡和南洋理工团队推出MermaidFlow，以Mermaid语言显式建模工作流，提升可解释性与可控性，实验性能优秀。