「Agent评估」共找到 3318 篇相关文章
HF Papers 直播｜ AI for Science 专场
由Hugging Face等联合发起的【AI Insight Talk】系列直播活动第三场聚焦AI for Science，将于2025年7月17日19:30 - 21:30开始。邀请多位热门论文作者，探讨科研智能体能力评估等问题。
王云鹤眼中的Harness：复杂优化问题，AGI灵魂争夺之战
王云鹤在知乎文章中探讨Harness Engineering，指出Agent=Model+Harness，多模型配合能提升Agent能力。还分析Harness存在的必要性，认为它是复杂优化问题，关乎AI“灵魂”之争。
Claude团队大揭秘！如何调动多智能体搞深度搜索
Claude团队分享用多智能体构建深度搜索的心得，展示有效多智能体研究系统架构，涵盖系统架构、提示工程、评估方法等内容，还提及系统面临的问题、挑战及额外建议。
刚刚开源就斩获 2.7K Star！吴恩达老师开源了一个 AI 员工 OpenWorker！
吴恩达老师开源了桌面 AI Agent OpenWorker，对标闭源 Agent。它能交付成品，本地优先、支持多模型，重要动作需审批。有 25+ 连接器，支持定时任务和角色模板，提供多方式上手。
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。
为什么 2025 的基模公司都押注 Interleaved Thinking？
本文探讨 2025 年基模公司押注 Interleaved Thinking 的原因。从大模型迭代说起，介绍其在多模型中的体现，阐述该思维链对 Agent 的重要性，还提及 MiniMax 在推动其成行业标准上的诸多努力及带来的影响。
当亚马逊云科技拿到“麦克”，一年的云计算叙事都被改写了
2025亚马逊云科技re:Invent大会上，CEO Matt Garman围绕Agentic AI落地发布系列新品。其认为落地需四大支柱，亚马逊云科技带来如芯片、模型等成果，还强调私有数据及开发者工具重要性，多个企业已实践应用。
字节做了个 AI 手机，钉钉做了台 AI 主机
2025 年末 AI 硬件圈热闹非凡，月初豆包 AI 手机上线刷屏，后因平台风控引发讨论。近日，钉钉发布 AI 主机 DingTalk Real，定位 AI Agent 执行载体，还推出 AgentOS 统一调度，已跑通多企业场景。
GPT-5都救不了的AI幻觉，原来问题不在模型，在“考卷”
OpenAI研究指出AI产生幻觉的根本原因是评估和激励机制有问题。现有训练和评估流程奖励‘猜测’，导致模型易产生幻觉。研究还给出解决方案，要更新‘考试规则’，让模型适当表达不确定。
惊讶！！！3.2 万 Star OpenViking，让你的原地起飞！！！
OpenViking有3.2万Star，它把记忆、文档、提示词等上下文统一成可浏览地址空间，设计三层信息按需加载，检索留轨迹，还接入多种工具。不过它处Alpha阶段，用前要考虑许可证。