「智能体基准」共找到 4103 篇相关文章
BesiegeField：LLM能否学会设计机器？
香港中文大学推出基于游戏《Besiege》的测试平台BesiegeField，探讨LLM能否学会设计机器。研究通过组合式机器设计视角，测试LLM，提出多智能体迭代设计流程等，发现LLM有挑战但并非不可实现，如Gemini 2.5 Pro表现不错。
基于LLM的Agentic Reasoning框架综述：从方面到场景的全面总结
近年来，大型语言模型虽能力强但有局限，研究者构建基于LLM的智能体系统。此综述论文提出系统、统一分类法梳理智能体推理框架，建立统一描述语言和通用算法，分析其在不同场景表现与评估方法。
用「传心术」替代「对话」，清华大学联合无问芯穹、港中文等机构提出Cache-to-Cache模型通信新范式
随着大语言模型发展，多智能体系统中现有T2T交流方式有信息丢失、语义模糊、延迟大问题。清华等团队提出C2C信息传递方式，以KV - Cache为媒介，提升了正确率和速度，还介绍了实现路径、优势及应用前景。
ACL 2025 | 指令遵循不能仅靠常识？GuideBench 揭示大模型如何“踩雷”领域指南规则
这篇ACL 2025主会论文聚焦提升智能体指南规则遵循能力。提出评估基准GuideBench，涵盖7类1272个任务。实验显示多数主流大模型指令遵循能力不佳，尤其数学推理挑战大，为模型迭代提供评估基准。
最新风口Harness，李开复、陆奇已重金入场
养虾人面临Token费钱、长程任务不靠谱问题，行业浮现Harness群体多智能体解决方案。OpenAI、Anthropic等顶尖玩家发现需更高约束系统。明日新程获陆奇、李开复投资，李笛团队将推新产品，检验群体智能能否走向C端。
阿里云CIO首次系统复盘：大模型落地的RIDE方法论与RaaS实践突破
阿里云智能集团 CIO 蒋林泉分享大模型落地实践，介绍了阿里云在翻译、智能外呼等场景的应用案例，提出 RIDE 方法论，包括重组组织、识别机会、定义指标和推进执行，还分析了翻译和 Agent 模式的要点。
一个能思考、会记忆的AI导演诞生了！新加坡管理大学，香港中文大学等实现故事化视频生成
新加坡管理大学等提出开源全能多智能体框架UniVA，可统一视频理解、分割等能力，按指令生成完整故事视频。还引入UniVA - Bench基准测试套件，实验显示其在多任务中表现出色，代表视频智能生成重要进步。
老黄亲自站台，英伟达编程神器！Cursor 2.0自研模型狂飙4倍
Cursor 2.0版本重大升级，发布自研编码模型Composer，速度是同等模型4倍。还重构IDE交互逻辑，支持多智能体模式，引入语音模式等。早期测试和开发者反馈其速度快，但智能程度与部分模型有差距。
cursor 2.0实测：cursor的摆烂之作
作者实测Cursor 2.0后大失所望。它交互粗糙，多智能体虽有多个回答但选方案操作不明；因Claude涨价推出智能分发和自研Composer，后者除快无优势且需魔法；内置浏览器交互麻烦，窗口管理离谱，语音模式基本不可用。
10亿国民App丝滑升级AI应用！高德携手通义重构的底层架构曝光
高德用AI重构底层技术栈，建立主 - 从Agent架构，将千问大模型与空间智能结合。新架构分Agent层、模型层和工具层，还依托生态数据和通信协议。这让高德从工具变智能体，为行业转型提供范式。