「Agent评估」共找到 3322 篇相关文章
拆解 WorkBuddy、千问办公和豆包工作，它们其实不是同一种产品
本文作者用真实职场脏活测试腾讯WorkBuddy、阿里千问办公、字节豆包工作三款办公Agent，对比三者产品路线、执行结果和执行环境差异，揭示当前办公Agent的发展现状与局限。
Codex 的野心，MCP 和 Skill 的下一步
作者密集使用Codex App等Agent应用，发现顶尖Agent收敛到相同界面布局。Codex野心大，要处理多格式文件、支持专业工作流。MCP和Skill未解决用户二次编辑问题，插件机制或是出路，Codex已有原始插件市场。
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
Genspark 发布 GenOffice：AI 时代的 Office，免费、开源，抢占办公人群的第一工作入口
8月3日，Genspark创始人景鲲在AGI Playground 2026大会发布GenOffice，这是面向Windows和Mac的本地Office客户端，免费、开源、无广告，将AI引入高频办公场景。GenOffice Alpha版已发布，后续会和用户、AI Agent共建迭代。
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
Cursor Origin 上线，GitHub 的老玩法还够用吗？
8月17日，GitHub服务异常，同日Cursor向付费计划开放Origin early beta。代码仓库接入更多Agent，现有设施适应人的节奏，而Agent工作节奏更快。Origin重写协作成本，与GitHub设计前提有差异，马斯克布局延伸到软件生产链。
20刀月费秒变API！Hermes一行命令就能用上Claude、ChatGPT订阅
两大开源Agent框架有硬核更新。Hermes Agent v0.14用一行命令把模型订阅变API，零成本驱动开发工具，还接入Grok。OpenClaw 5.18修复问题，适配Grok。20美元月费可喂饱工具链，打破生态闭环。
Anthropic 技术栈里的「五宗罪」由何而来？
Anthropic的Claude模型升级后，用户却觉得不好用。X上帖子指出其存在文本和代码标记、模型能力、定价、长上下文等问题，这些问题卡在生成、计算、上下文和Agent运行时的5个具体位置，导致各方面互相拖后腿。
Claude Opus 4.7发布！这是你在别的公众号看不到的五个发现
Anthropic发布Claude Opus 4.7，编码和视觉能力提升，但长上下文能力下降。其231页的System Card藏着不少有趣发现，如Opus 4.7非最强模型、Claude知道被测试、模型审查自身评估等。