「智能体评估」共找到 3992 篇相关文章
AICon 深圳 2026 全日程揭晓｜聚焦 Agent 工程化，构建可靠智能的技术路径
8月21 - 22日，AICon全球人工智能开发与应用大会将在深圳举办。大会全日程已发布，产业一线技术专家将围绕Agent工程化等前沿方向，分享技术探索与工程实践，探讨AI从能力突破走向系统构建的新路径。
斩获22K star！再见重复劳动，微软AI开源智能办公机器人来了！抓紧用起来
微软推出视觉自动化神器`OmniParser`，上线GitHub获22K star。它重新定义人机协作，有三大能力、五大自动化杀手锏，适用于六大实战场景，还给出速成指南，与同类方案相比优势明显，正重塑办公范式。
刚刚，Ilya发布内部信：正式掌舵SSI、团队分道扬镳、拒绝收购，专注打造安全超级智能！
Ilya向团队和投资者发内部信，宣布Daniel Gross已于6月29日离开SSI，自己任CEO，Daniel Levy出任总裁。有公司欲收购SSI，Gross或因倾向被收购与Ilya理念分歧而离开。
Claude悄悄更新了Skills生成器，这绝对是一次史诗级升级。
Anthropic的Claude悄悄更新了Skills生成器Skill - creator，此次是史诗级升级，新增评估系统、基准测试、多代理并行测试、描述调优等4个全新能力，还演示了其使用方法和效果，建议更新并优化评估所有Skills。
全球首个负载100斤的真实持续干活机器人，来自银河通用
银河通用发布具身智能重载机器人Galbot S1，双臂最大负载50公斤，突破行业上限。它搭载具身搬运模型，可全自主作业，已在宁德时代等企业产线应用，标志具身智能融入产业升级主航道。
微软开源AI量化投资神器，狂揽23.5K星标，一站式打造你的智能交易系统！
量化投资结合AI成金融新趋势，但构建完整量化流程难题多。微软开源的Qlib平台是领军者，基于Python覆盖全流程，支持30+模型，数据引擎快，功能亮点多，安装方式多样。
小米陈龙团队首作：统一具身与自动驾驶的开源模型
小米具身智能团队发布首篇论文，提出统一具身智能与自动驾驶的新模型MiMo-Embodied。该模型在多任务中领先，其四阶段训练框架打通两领域边界，为行业提供新范式。
GPT-5得分不到0.4！法律+金融最大规模基准：1.9万+专家评估准则
新推出的PRBench基准可测AI在金融和法律领域表现。它有19356条专家评估准则，是该领域最大公开基准。顶尖大模型在困难子集得分低，还独创经济路径分析维度，约30%任务为多轮对话，揭示了AI在专业领域的不足。
浙大推出首个「多图应用题」基准GSM8K-V，全面评估 VLM数学推理能力
浙江大学团队推出视觉数学推理基准GSM8K-V，将GSM8K映射为视觉对应版本。它数据可靠、覆盖全面，经三阶段构建。实验显示，现有视觉语言模型在视觉推理上短板明显，为模型发展指明方向。
给文档质量"打分"：DIQA-5000 数据集与融合版面语义的 DocIQ 质量评估模型
文档图像质量评估（DIQA）是评判‘增强算法有没有把图变好’的关键工具。过去研究多围绕自然图像，缺文档专用数据集。本文提出DIQA - 5000数据集和DocIQ模型，补齐缺口。