搜索：Agentic软件测试

「Agentic软件测试」共找到 4516 篇相关文章

关于GPT-6 Astra的三条判断｜甲子光年

北京时间9月4日凌晨，OpenAI发布GPT-6 Astra，演示其多种能力。「甲子光年」判断：GUI没消亡，是软件兼容层；Astra会“吞噬”App入口；传统Benchmark难描述Agent，任务闭环成关键。

本文是新智元报道，基于SemiAnalysis的第三方测试，谷歌第七代TPU Ironwood推理性价比大幅领先英伟达最新B200、B300，谷歌通过软件重构打破CUDA护城河。

著名AI追踪平台TestingCatalog爆出，Anthropic正为Claude测试「双模记忆系统」，包括「经典记忆」和「文件记忆」。此外，「梦境」预览版亮相，还有终极Agent平台Claude Conway登场，7x24h永不下线。

Anthropic与Mozilla合作，让Claude Opus 4.6对Firefox代码库做漏洞挖掘，两周发现22个漏洞，14个高危。Claude发现漏洞能力强，但利用漏洞能力弱。还研究用LLM做「补丁Agent」，为AI辅助安全研究建规范。

当AI智能体走向真实应用，前沿风险藏于复杂长尾场景，难以靠人工覆盖。创智、复旦、牛津联合发布AutoControl Arena框架，自动合成可执行测试环境，还构建X - BENCH验证，已在GitHub开源。

SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。

针对端到端全模态大模型痛点，浙江大学、西湖大学、蚂蚁集团联合提出 OmniAgent，它基于「音频引导」，用「思考 - 行动 - 观察 - 反思」闭环实现范式转变，在多基准测试中超越开闭源模型。

上海人工智能实验室团队提出的Self-Harness引发关注，它针对Agent外层Harness改进。实验显示，在Terminal-Bench-2.0上，不换模型只改Harness，Qwen3.5-35B-A3B等模型效果显著提升。

腾讯悄悄上线CodeBuddy Code（Claude Code），定位为AI CLI，能在命令行完成编程任务。作者测试用其开发MCP服务，速度快且功能全，还介绍使用方法，不过产品有稳定性问题，仍有潜力。

人工智能浪潮下，推理密集型信息检索是RAG和AI Agent技术发展瓶颈。中科大、智源等机构联合研发推理检索框架BGE - Reasoner，在BRIGHT基准测试中刷新纪录，还将开放相关代码等推动研究。