「测试评估集」共找到 2681 篇相关文章
港大刚刚开源了 CLI-Anything！一个命令让任意软件秒变 AI Agent 原生工具！
香港大学数据科学实验室团队开源 CLI - Anything，它以 CLI 为桥梁，将人类软件转变为 Agent 能用的工具。该项目有一键生成 CLI、真实软件集成等亮点，还给出快速入手步骤和使用示例，未来规划宏大。
超20万个高质量Skills！浙大等联合推出SkillNet，告别孤立Skill实现自进化
浙江大学联合多家机构推出开源基础设施SkillNet，拥有超20万个高质量Skills。它能让AI智能体告别失忆式工作，将互联网资源和人类经验转化为可执行Skills，构建Skills网络，经严苛评测，在真实场景验证了强大实战能力。
不止修bug：Agentic Coding评测走向复杂feature交付新阶段
中国科学院自动化研究所联合华为提出 FeatureBench，构建端到端基础设施并开源。它从单元测试出发构造评测任务，引入多种机制保障任务可执行、可验证，能有效区分模型能力，还提供易用的评测流程。
ICLR 2026 | 异常需要定义！中传团队提出开放世界视频异常检测新范式
现有视频异常检测（VAD）方法泛化能力不足，无法适应开放世界需求。中传吴晓雨团队在ICLR 2026发表论文，提出LaGoVAD模型，联合建模视频与异常定义，解决样本密度下降等问题，实验显示泛化性强。
AI Agent也有体检中心了？诊断级安全框架AgentDoG正式开源
上海人工智能实验室今日开源全球首个具深度诊断能力的AI智能体安全护栏框架AgentDoG。它能精准定位风险、解释决策成因。团队提出三维风险分类法，构建数据合成管道，实验表现领先，还集成归因模块。
当前关于 Vibe Engineering 的所有认知都会在 1 个月内严重过时
作者分享 Vibe Engineering 实践体会，指出当前认知很快过时，因 AI 编程工具和模型进步大。还对比了 Opus 4.5、GPT - 5.2 等模型，阐述人在开发各阶段角色，介绍多 Agent 协同实践及未来软件公司组织形态变化。
BellSoft 发布 Java 加固镜像
BellSoft 在 KubeCon 2025 大会发布新的“加固镜像”产品，集 Java 运行时优化、操作系统加固与主动 CVE 修复于一体，可减少已知漏洞、降低资源消耗，还提供 SBOM 满足合规需求。
即时编程与设计，软件按需生成：Google生成式UI将重塑人机交互体验
Google Research团队发布生成式UI研究，打破Markdown文字墙模式，能将用户需求实时转化为完整应用程序。系统通过多组件协作，构建不同风格界面，在多领域有应用案例，虽有挑战但前景好。
AI秒破18世纪「天书」账本！谷歌新模型盲测刷屏全网
谷歌AI Studio上一神秘模型引发关注，它识别200多年前商人的「天书」账本，修正格式错误与模糊表述，推理能力令历史学家震惊。该模型解决手写识别和推理两大难题，或为谷歌将推的Gemini - 3。
谢赛宁、李飞飞、LeCun联手提出多模态LLM新范式，「空间超感知」登场
纽约大学助理教授谢赛宁与李飞飞、Yann LeCun 合作提出「Cambrian - S」，迈出视频空间超感知探索第一步。该研究引入 VSI - Super 基准，还提出预测性感知范式，在空间认知任务上有提升，相关论文值得视频多模态研究者参考。