「评分器」共找到 298 篇相关文章
Anthropic 再发长文：首次详细揭秘Agent的评估全过程「Claude code开发过程的经验总结」
Anthropic在Claude Code等开发及与客户合作中总结出AI Agent评估方法。文章介绍评估基本结构、构建原因、评分器类型、不同Agent评估法、应对不确定性指标、构建路线图及与其他方法协同方式。
NeurIPS 2025 | 告别全量扫描！浙大提出COIDO：破解多模态数据选择「高耗」难题
浙大提出 COIDO 框架解决多模态数据选择「高耗」难题。它摒弃全量扫描，用轻量级评分器和小样本采样，将重要性和多样性的优化统一。实验显示，它性能与效率双优且有强泛化性。
所有环节都上最强模型，这可能是做 AI 智能体最贵的错误
开源项目 AgentOpt 指出，很多团队做 AI 智能体默认把最强模型塞进各环节，既贵效果也未必好。真正决定智能体效果和成本的是将合适模型放合适位置，智能体需要能找最优解的模型优化器。
AI视频杀出一匹“快乐黑马”：把Seedance 2.0挤下榜首，幕后团队成谜
4月7日深夜，AI评测平台公告Video Arena新增匿名视频模型HappyHorse - 1.0，48小时后积分登顶，超过Seedance 2.0。网友猜测其出自中国团队，有线索指向Sand.ai等联合团队或阿里淘天集团。实测表现有亮点，Elo评分合理性存疑。
AI 时代的架构治理
本文指出在生成式AI时代，软件开发生命周期瓶颈转变为组织将创意转化为成果并保持架构凝聚力的能力。传统人工监督模式难应对，提出声明式架构策略，介绍其在事件模型、OpenAPI验证器等方面应用。
全球顶尖大模型一夜惨遭血洗！最难测试人类拿满分，AI第一名得0.2%分
全球最难AGI测试ARC - AGI - 3上线，人类满分通关，最强模型Opus 4.6仅得0.2%。测试从静态题变为互动游戏，评分看效率。前沿大模型得分低，非LLM方案表现更好，AI缺乏元认知能力。
微信支付这波操作把我干懵了，Agent能赚钱？
微信支付从商业底层——支付——直接 mcp 了，用户可在腾讯元器体验其 mcp 服务，支付后智能体干活。微信支付 MCP 让 AI 与支付系统融合，实现“对话即交易”，但也面临安全合规问题。
只要科学任务能打分，AI就能实现SOTA结果 | 谷歌最新论文
谷歌最新论文提出，只要科学任务可评分，用大模型+树搜索，让AI大海捞针，就能找到超越人类专家的方法实现SOTA结果。他们开发的AI系统在多领域发明新方法，都达SOTA水平。
对话 Funloom AI吴同：拆了AI还能玩，算什么AI原生游戏？
本文对话Funloom AI吴同，探讨AI游戏现状与发展。以《青椒模拟器》为例，指出AI游戏潜力。介绍Funloom平台，能让用户轻松生成文字游戏，分析其与开源项目差异、商业模式及对AI原生游戏看法。
GPT-5难产内幕曝光！核心团队遭挖空，推理魔咒难破，靠英伟达续命
外媒The Information曝出GPT-5诞生内幕，其未取得技术突破，OpenAI面临数据瓶颈与技术难题，核心研究者被撬导致组织架构混乱。不过，OpenAI获巨额融资，推理模型成突破口，还在开发“通用验证器”。