「智能体基准」共找到 4103 篇相关文章
The Batch：820 | Qwen3 向 DeepSeek-R1 发起挑战
阿里巴巴发布八个大型语言模型权重，含两个 MoE 架构和六个稠密模型。预训练数据达 36 万亿 token，支持 119 种语言及方言。测试中 Qwen3 家族表现出色，或终结 DeepSeek - R1 霸主地位，设计用于智能体系统。
谷歌北大联手学术版Banana爆火，论文图表100%精确生成
谷歌与北大联手推出学术版PaperBanana，能100%精确生成论文图表，美观度和逻辑清晰度超原版。它由5个智能体分工协作，经实验在各维度超越传统基线方法，已在GitHub获上千star。
Cursor 慌了：当 AI 不再需要代码编辑器
Anthropic新模型Opus 4.5编程能力强大，开发者无需逐行审查代码，可直接向智能体下达指令获取成品，这冲击了Cursor代码编辑器业务。虽Cursor收入增长，但面临焦虑，正努力自研模型、拓展企业客户。
机器人长出800个心眼？阿里达摩院开源具身新大脑，硅谷又坐不住了
2026年具身智能竞争激烈，阿里达摩院开源RynnBrain“具身大脑”。它采用分层架构，在16项评测中超越前沿模型。还介绍了核心技术、训练策略等，且全系列模型、评测基准和代码均开源。
很多AI人还在自嗨，外贸人已经用AI卷翻天了。
作者参加OKKI 2025新品发布会，深感外贸人用AI“卷翻天”。总结8条启示，如AI是队友、智能体达L3才成熟等，强调用人类思维理解行业，以AI解决问题，让技术转化为生意增量。
Embodied Arena：业界首个统一具身大脑评测平台重磅发布，30+模型全面对比揭示关键洞察
具身智能火热，研究者常感茫然。Embodied Arena评测平台上线，它全面统一且持续演进，涵盖22+基准测试和30+模型，构建评估体系，揭示关键洞察，为具身模型发展指引方向。
从科学论文自动生成视频
该项目解决学术演示两核心问题，用智能体PaperTalker生成视频，还设Paper2Video基准评估。介绍了PaperTalker使用步骤，含环境、配置、推理，也说明了Paper2Video评估指标及运行方法。
Claude Code团队谈产品哲学，自己是第一用户
Claude Code团队分享产品开发哲学与多智能体协作玩法。其迭代快，靠独特流程：成员用它原型化功能，经内部试用调整。用户使用偏好多样，SDK易用，团队鼓励做自己产品的第一用户。
新研究重新评估 AGENTS.md 文件在 AI 编码中的价值
苏黎世联邦理工学院新论文指出，`AGENTS.md` 文件可能常阻碍 AI 编码智能体。研究构建 AGENTbench 数据集测试，发现 LLM 生成文件降低性能，人类编写文件有边际收益但也增加成本，开发人员对此研究看法不一。
首个多轮LLM Router问世, Router-R1可让大模型学会「思考–路由–聚合」
在大语言模型种类爆炸的时代，如何智能分配任务成新挑战。伊利诺伊大学香槟分校团队发布 Router - R1，让 LLM 学会‘思考–路由–聚合’，用强化学习平衡性能与成本，在七大基准测试表现出色。