搜索：自动化评估工具

「自动化评估工具」共找到 2870 篇相关文章

清华孙茂松团队 × 深言科技：以解释作为训练信号，让 8B 模型在幻觉检测上反超闭源大模型

大语言模型幻觉问题待解，成本与算力需求攀升。清华孙茂松团队联合深言科技提出FaithLens模型，把幻觉检测提升为整体评估，以解释作为训练信号，8B模型在多任务上超闭源大模型。

亚马逊云科技副总裁 Jeff Barr 时隔 16 年再访中国，对比两个技术时代。他认为 AI 带来创新与挑战，开发者需强大沟通力。还介绍亚马逊云科技工具 Kiro 及新开发模式，预测未来软件开发形态转变。

文章深入解析开源框架browser - use与AI大模型互动方式。它能自动化在线任务，靠精巧prompt设计和不同类型Message输入实现高效交互，还总结出可用于其他大模型交互场景的技巧。

英国AISI推出RepliBench基准评估AI自主复制能力，分解为四大核心能力。测试显示当前AI尚不具备完全自主复制能力，但在部分子任务有进展，研究旨在平衡AI发展与安全，为技术变革导航。

Meta发布Muse Spark，是MSL首个模型，经九个月技术栈重构，效率优先。它有原生多模态推理能力，Contemplating模式处理复杂查询，安全评估突出，产品功能升级，商业化转向明显，正逐步在Meta应用推出。

Claude Code在快速更新中问题频发，如思考深度大幅下降，还存在7个叠加的bug，浪费用户token配额。开发者给出应对建议，新版本增加账单透明度和缓存过期提醒，该工具正面临信任危机。

目前从‘LLM’向‘Agentic AI’跃迁，Agent实操能力不足。论文《Adaptation of Agentic AI》梳理领域情况，提出2x2象限框架，介绍优化Agent及工具的方法，还提及局限和未来方向并给出战术建议。

文章指出AI时代设计门槛从会用软件转向有审美。介绍设计门槛转变原因、审美重要性，给出培养审美方法，推荐相关工具，为不会设计的人提供建议，强调审美是AI时代设计唯一护城河。

月之暗面开源 Kimi K2 Thinking 模型，多方面性能超 GPT - 5 等闭源模型。它擅长多轮调用工具和持续思考，在多项基准测试达 SOTA 水平，成本低且授权宽松，引发全网讨论。

文章探讨引入证书透明度（CT）的原因、工作原理及对数字信任的意义，揭示CA机构信任危机，介绍CT架构和实践工具，还展望其未来创新，如Static Sunlight API、委托凭据等。