「OpenAI MLE - Bench」共找到 1988 篇相关文章
这个春节P图不求人！小红书开源图像编辑新SOTA
今日小红书基础模型FireRed - Image - Edit亮相，在复杂编辑指令、风格化转换等核心指标表现强，在多项权威测试达SOTA。该项目代码等已开源，模型权重将开源。团队还推出RedEdit Bench评测方案。
不换模型，效果提升104%！上海AI Lab让Harness也能自进化了
上海人工智能实验室团队提出的Self-Harness引发关注，它针对Agent外层Harness改进。实验显示，在Terminal-Bench-2.0上，不换模型只改Harness，Qwen3.5-35B-A3B等模型效果显著提升。
Sora爆火之际，这家AI公司的DAU正以每月翻倍速度狂奔——Agnes
OpenAI的Sora爆火，而AI Agent产品Agnes正走不同路线。它三个月内全球注册用户破百万，DAU逼近10万，ARR达780万美元且近乎每月翻倍。其多模态社区预计10月上线，追求“Vibe Lifestyle”理念。
5700问答对全面评估拷问AI空间感！最新空间智能评测基准来了丨浙大&成电&港中文
当前视觉语言大模型空间信息学习片段化，缺乏多维度空间推理能力。浙大、成电和港中文团队提出ViewSpatial - Bench基准体系，评估主流模型，揭示其缺陷，并开发MVSM优化跨视角空间理解。
突发！Opus 5.1被曝本周发布，最强AI智能体恐大洗牌
消息称Anthropic本周将发布Opus 5.1，其升级聚焦单Token智能水平，强化编程、推理、AI Agent能力；OpenAI 10万亿参数模型Bel完成预训练；企业选模型‘够用就好’，Anthropic Fable 5份额低。
ChatGPT可以下单买买买了
OpenAI推出ChatGPT购物功能，用户可在其平台直接下单Etsy和Shopify商品。该功能仅面向美国部分用户，构建了ACP协议打通聊天和支付。此功能或冲击谷歌、亚马逊等电商巨头。
字节Seed最新版原生智能体来了！一个模型搞定手机/电脑/浏览器自主操作
字节Seed发布最新版原生智能体UI - TARS - 2，采用All in one原生设计，表现优于Claude和OpenAI Agent等。它通过多轮强化学习，解决智能体操作图形界面的四大难题，在多测试中表现出色。
ChatGPT智能体正式发布，多个创业赛道昨夜无眠
OpenAI正式发布ChatGPT Agent，将思考与执行能力统一，可接管电脑，能处理工作和生活多种事务。它优化后能力达SOTA，但也有风险。这或重塑互联网，让Agent创业者重新审视竞争力。
刚刚，GPT-5.5 Instant全员免费！数亿人的ChatGPT变了
OpenAI深夜推出GPT - 5.5 Instant，全面接管ChatGPT默认模型且全员免费。它亮点诸多，如幻觉率暴降、数学成绩提升、回复字数减少、记忆和个性化功能升级等，三个月后GPT - 5.3将退役。
Anthropic说：不要在等下一代模型了，立刻马上做Harness！
文章指出当前优化模型运行环境（Harness）回报率或超等下一代模型。介绍了Harness Engineering的发展，还列举OpenAI、Stripe等公司实践，也提及不同观点，强调Harness是持续演化系统。