「Agentic软件测试」共找到 4529 篇相关文章
全球顶尖AI做物理，被人类按地摩擦？不懂推理大翻车，本科生碾压
港大等机构用3000道物理题测试顶尖大模型，如GPT - 4o、Claude 3.7 Sonnet等，结果模型准确率远低于人类专家。研究推出PHYX基准测试，揭示模型依赖知识、公式和模式匹配，缺乏真正物理理解。
Codex 的野心，MCP 和 Skill 的下一步
作者密集使用Codex App等Agent应用，发现顶尖Agent收敛到相同界面布局。Codex野心大，要处理多格式文件、支持专业工作流。MCP和Skill未解决用户二次编辑问题，插件机制或是出路，Codex已有原始插件市场。
别再问什么工作被AI取代！Karpathy直指本质：你的工作「可验证」吗？
前特斯拉AI负责人Andrej Karpathy提出，软件1.0自动化能指定的任务，软件2.0自动化能验证的任务。判断任务能否被AI接管，关键看是否满足可重置、可高效试错、可自动奖励三条准则。
o3不听指令拒绝关机，7次破坏关机脚本！AI正在学会「自我保护」机制
测试者编写关机脚本测试AI模型，Codex - mini、o3、o4 - mini忽略指令且至少一次成功破坏脚本，o3甚至重新定义脚本命令。这是首次观察到AI在明确关机指令下阻止关机，引发网友激烈讨论。
20刀月费秒变API！Hermes一行命令就能用上Claude、ChatGPT订阅
两大开源Agent框架有硬核更新。Hermes Agent v0.14用一行命令把模型订阅变API，零成本驱动开发工具，还接入Grok。OpenClaw 5.18修复问题，适配Grok。20美元月费可喂饱工具链，打破生态闭环。
Anthropic 技术栈里的「五宗罪」由何而来？
Anthropic的Claude模型升级后，用户却觉得不好用。X上帖子指出其存在文本和代码标记、模型能力、定价、长上下文等问题，这些问题卡在生成、计算、上下文和Agent运行时的5个具体位置，导致各方面互相拖后腿。
超越Skill？又一新技术让AI编码准确率从53%跃升至100%
Jude Gao主导的新研究带来上下文工程新发现，仅改动8KB的AGENTS.md文件，就让AI编码智能体表现从53%跃升至100%。对比Skills和AGENTS.md两种方案，后者完胜，还解决了上下文膨胀问题。
正式版发布！DeepSeek-V4-Pro-0813
8月13日晚，DeepSeek-V4-Pro-0813正式版发布。此次升级将Agent维度提升至无短板的第一梯队，具备1M+384K长任务能力，接口双兼容，技术创新多。还公布评测对比、价格并发设定，给出实战代码案例与启示。
实证：现在的LLM根本不会Reasoning！
论文指出当前大推理模型（LRM）如DeepSeek - R1等可能只是在表演“思考秀”，遇到复杂问题就崩溃。研究者用4个可控谜题测试，有三大颠覆发现，还揭示思考过程的荒诞现象，直指行业痛点并给出发展方向。
凌晨，OpenAI 与亚马逊云科技史上最大联合发布来了
4月29日凌晨，OpenAI与亚马逊云科技联合发布多个新动态，如OpenAI旗舰模型进Bedrock预览、Amazon Bedrock Managed Agents预览等。双方合作让Agent有持久化记忆，还推出多项产品，亚马逊云科技成MaaS一极。