「推理能力评测」共找到 4875 篇相关文章
Windows AI助手免费进化！能操作电脑、登录网页、生成代码
Windows Copilot正式更新，Microsoft 365 Copilot中Researcher智能体新增“计算机使用”能力，能操作电脑、登录网页、生成代码等。更新已在预览版上线，还介绍了其运行机制和性能测试情况。
30 小时不眠不休写代码，Claude 4.5 的三个“最佳”
Anthropic发布Claude Sonnet 4.5，宣称其为“世界上最好的编码模型”等。它在测试中表现出色，能力全面提升，价格实惠，开发者测试效果佳。还注重安全，升级开发工具和生态系统。
解放双手！开源 AI 桌面智能体
桌面智能体Bytebot是拥有专属计算机的人工智能，有完整虚拟桌面。它能使用任意应用、处理文档等。赋予AI独立计算机可解锁新能力，项目地址为https://github.com/bytebot-ai/bytebot。
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
近日，智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，打破具身智能演进制约。
OpenAI浏览器换壳杀回！高管改用ChatGPT上网，效率从未这么高
Atlas关停不到一个月换壳回归，核心高管Tibo称ChatGPT桌面版成主力浏览器，效率极高。这源于OpenAI把浏览能力融入ChatGPT。它不再执着造独立浏览器，而是围着Chrome，争用户数字身份。
对话 Synergy 团队：「龙虾」之后，下一代智能体正演变为「互联网公民」
两年间，AI Agent能力与数量爆炸。Synergy团队认为，下一代智能体应是“智能体公民”，需跨过建立身份、学会协作、实现进化三道门，还探讨了其对互联网的影响及人机共处问题。
Claude 4破解困扰人类4年系统bug，30年码龄程序员200小时没搞定，GPT-4.1/Gemini-2.5也做不到
30年码龄程序员4年没搞定的顽固型‘白鲸bug’，Claude Opus 4配合Code模式，用30个prompt+1次重启，几小时就破解。此前GPT - 4.1等模型都失败，凸显Claude编程与推理能力强。
Anthropic：现在学习FDE，年薪百万！
Anthropic大佬分享FDE岗位价值，指出其非外包，是面向客户的软件工程师。还阐述适合的人才、团队，纠正三大误区，强调客户买的是解决问题的过程，现场沟通能力正升值。
Karpathy 最新访谈：Vibe Coding 只是开始，真正重要的是 Agentic Engineering
Andrej Karpathy在访谈中分享编程范式剧变感受，谈到Software 3.0实质，指出AI能力不均，介绍Vibe Coding和Agentic Engineering区别，还提及创业机会、人类技能价值等内容。