「测试评估集」共找到 2681 篇相关文章
Anthropic 那个“强到不敢发”的模型，终于来了！
今天凌晨，Anthropic 发布新模型 Claude Mythos Preview，它曾被指‘强到不敢发’。该模型能力跃升，尤其网络攻防能力突出，但因具‘双重用途’仅向少数伙伴开放，用于防御性网络安全项目。
跨越智能体落地的可信鸿沟：玄甲（AgentWard）全链路防御操作系统正式发布
大模型向自主智能体演进，安全威胁全域化。当前安全方案有局限，制约产业落地。清华大学团队推出玄甲全链路安全防御操作系统，构建五层纵深防御体系，已落地应用，降低安全事件发生率，筑牢安全防线。
开源一周狂揽 7.6K Star！这个爆火的「同事.skill」可以将“数字遗产”炼成 AI！
开源项目colleague-skill上线不到一周获7600+ Star。它由@titanwings开发，可凭同事材料生成能替其工作的AI Skill，有双层架构、多源采集等亮点，还介绍了使用方法与项目结构。
多智能体编排太繁琐？MASFactory用Vibe Graphing直接「话」出来了
多智能体系统编排当前较为繁琐，北京邮电大学开源 MASFactory 框架，提出以图为中心架构和 Vibe Graphing 开发范式，将开发推向自然语言驱动时代，系统评估显示其效果良好。
告别AI「鬼画符」！一行指令「复活」王羲之、苏轼，带连笔、懂排版，项目已开源丨ICLR'26
UniCalli由香港科技大学（广州）等团队推出，是全新统一扩散框架，能精准生成书法排版和连笔，将书法生成和古籍识别统一，工作被ICLR2026接收，代码、数据集开源，还有在线Demo。
从视觉出发统一多模态！颜水成团队最新研究：不再把图像编解码器塞进LLM｜ICLR'2026
NVIDIA研究员Jim Fan称AI正经历第二次预训练范式转移。颜水成团队Muddit模型从视觉先验出发，用离散扩散框架统一文生图、图生文和VQA，挑战多模态“语言中心论”，在多任务表现出色。
OpenAI为龙虾紧急收购了一家23人公司
OpenAI前脚挖来龙虾之父，后脚收购专注AI安全与评测的初创公司Promptfoo。该公司开源评测框架流行，有30多万开发者用户。收购后将补齐OpenAI在‘龙虾安全’方面关键一环，且继续保持开源。
OpenClaw绝配！GPT-5.4问世，AI能力开始大一统，就是太贵
周五凌晨，OpenAI 发布 GPT-5.4，引入原生计算机使用模式。它能操作软件、浏览网页等，性能和灵活性强，token 效率高，但价格贵。科学家认为 AI 前景广，有人觉得 GPT-5.4 Pro 达 AGI 级别。
谨慎用OpenClaw：上海科技大学发布其全面安全体检报告
上海科技大学联合上海人工智能实验室对爆火的智能体OpenClaw做安全审计，在34个测试场景中，整体安全通过率58.9%，暴露出多方面问题，研究据此给出纵深防御策略。
字节豆包2.0重磅发布！成本暴降一个数量级，Seed团队揭秘视频Agent竞争关键
今天，字节正式发布豆包大模型 2.0 系列，围绕大规模生产环境需求优化，提供多款通用 Agent 与 Code 模型。其成本优势明显，多模态能力升级，未来将聚焦长链路智能系统构建。