「评测系统」共找到 2238 篇相关文章
前后端一起消失：AI Coding正在改写大厂工程师分工
大厂研发组织出现调整，美团前后端团队合并，蚂蚁网商让测试岗转研发岗。AI Coding普及使技术岗位划分重塑，前后端边界成“全栈能力”。AI编程工具虽有后端执行能力，但仍需资深工程师兜底。
Agent不会搞科研？人大微软开源框架&工具包解决盲目试错通病，抱抱脸日榜第一
AI智能体虽能完成多项任务，但大多难以自主科研，易陷入盲目试错。人大和微软研究者提出Arbor框架与工具包，借助Hypothesis - Tree对优化空间结构化探索，多方面表现出色，荣登Huggingface日榜第一。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
创业者闭门探讨：Make for Agent ，其实还是 Make for Human
极客公园组织「Make for Agent」主题闭门 Meetup，探讨 Agent 产品做法。交流聚焦 Agent IM、身份、人类介入、商业模式等问题，指出 Agent 需责任型通信、独立身份，产品设计要兼顾人和 Agent 需求，核心是责任设计。
有人只用API就猜出了GPT、Claude、Gemini的参数量？社区吵翻了
研究人员李博杰在arXiv发布论文，提出“不可压缩知识探针”评测框架，仅通过黑盒API调用逆向估算LLM参数规模，给出GPT-5.5等模型参数量估算，引发社区广泛讨论与争议。
比 BeautifulSoup 快 784 倍！这个自适应爬虫框架，我愿称它为下一代 Web Scraping 标杆
文章介绍了自适应Web Scraping框架Scrapling，它能解决爬虫从能跑到跑得稳的问题，具备极速爬取、自适应解析等核心功能，适用于电商数据采集等场景，还给出使用方法和项目地址。
去掉像素中介！上海交大让AI边看边想边画，用同一个“大脑”跨模态推理
上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。
硬核拆解 Hermes-Agent：自学习 Skill 机制的架构设计与实现原理。
文章围绕Hermes - Agent展开，指出多数Agent缺乏自学习能力，而它试图跨越这一鸿沟，能自动“写手册”（Skill）。介绍其架构、安装配置，通过代码审计任务演示自学习过程，并解析Skill机制，为生产级Agent提供新思路。
让大模型异步地增强推理能力
在大模型推理时代，Test - Time Scaling成提升能力重要方向，但面临效率问题。ATTS提出异步框架，加入共形预测筛选候选路径，实验显示其加速显著，将测试时扩展推进到‘有原则加速’阶段。
会挖0-day漏洞！凶残版Claude官宣却不让用，微软苹果齐下场“看守”，Anthropic到底在图什么？
Anthropic官宣Mythos Preview，却未将其放给普通人用，而是塞进防御联盟Glasswing。Mythos在漏洞发现和利用上能力超多数人类，Anthropic怕其引发风险，先将它组织进防守体系，还试图占据‘负责任的frontier lab’位置。