「自主智能测试」共找到 5222 篇相关文章
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
如何为 GPU 提供充足存储：AI 训练中的存储性能与扩展性
文章通过分析 MLPerf Storage v2.0 测试结果，探讨不同存储系统在大规模 AI 训练中的表现。介绍三类训练负载及新的 Checkpointing 负载，分析共享文件系统类别，给出比较视角，解读各负载测试结果并总结选型要点。
突发！Gemini 3.8登顶，谷歌迈出RSI一大步
谷歌发布Gemini 3.8 Flash及专攻网络安全的3.8 Flash Cyber。前者性价比高，在多项测试逼近顶级模型；后者在网络安全测试屠榜。但谷歌也被指提前庆祝，且模型可能有‘刷榜’成分。
摆脱遥控器，波士顿动力人形机器人，开始「长脑子」干活了
世界人形机器人运动会引发对人工遥控机器人的争议。波士顿动力与丰田研究院合作为 Atlas 开发大型行为模型，展示其自主收纳整理成果，模型构建有流程，成果显著，研发遵循三项核心原则。
未来，你的 Agent 怎么付钱？
借 a16z 文章，探讨 Agent payment 领域进展。实现 Agent 自主支付是未来关键方向，现已有迹象且部分企业推出解决方案，但 Agent 处理支付尚未真正自主，还面临角色范围、欺诈、责任归属等难题。
Meta 143亿挖角后首个作品来了：Alexandr Wang 推出闭源模型，杨立坤点赞
沉寂9个月后，Alexandr Wang带队的Meta发布新一代模型Muse Spark。它是原生多模态推理模型，性能媲美Gemini Pro和GPT 5.4，Meta还披露技术实现细节。不过闭源引争议，且模型在长时程智能体等方面有短板。
独家 | CMU博士、UCSD助理教授黄碧薇创立「原识之智」，聚焦因果推理方向
AI科技评论独家获悉，CMU博士、UCSD助理教授黄碧薇创立上海原识之智科技有限公司，切入具身智能基础层相关的因果推理方向。当下大语言模型在符号世界表现出色，而机器人缺乏因果推理能力，原识之智项目已获顺为资本早期投资。
马斯克Grok 4正式发布：世界最大AI超级计算机就训练了这？
Grok 4公开基准测试有进步，但在高级推理测试表现差，视觉理解仍是短板。性能提升多靠整合符号工具，无重大技术创新，‘幻觉’问题没实质进展，xAI官方对道德对齐信心不足。
Karpathy强推，大厂抢着「复古」命令行，Star数全都上千了
飞书、钉钉、企业微信接连推出 CLI，GitHub Star 数上千。CLI 是传统人机交互方式，契合大语言模型运作逻辑，国内外多家公司及项目推出相关工具，还给出为智能体构建 CLI 的设计模式。
「边思考、边搜索、边写作」WebThinker开启AI搜索&研究新纪元！
大型推理模型有推理能力，但静态知识限制其在复杂任务表现。WebThinker 让 LRM 推理中自主搜索、导航及写报告，集成探索器，有自主策略和训练工具，实验显示性能强，还指明未来探索方向。