「智能体评估」共找到 3992 篇相关文章
AI 硬件新物种：七位从业者对消费级 AI 硬件的答案
2026 年 CES 落幕，释放中国 AI 硬件集体出海信号。蚂蚁集团等主办的活动上，7 位从业者分享消费级 AI 硬件产品，涵盖养成宠物、智能戒指等。他们认为 AI 硬件竞争焦点正从模型能力转向场景理解。
OpenAI新模型GPT-5.1发布，不跑分不刷榜，主打一个说人话
OpenAI发布GPT-5.1，主打更智能、更具对话性，无跑分打榜，有人设说人话。包括Instant和Thinking两个子模型，简单问题快，复杂问题智能。本周逐步向用户免费开放，还更新了语气风格等功能。
GraphRAG圈新秀：文档级RAKG
随着大模型能力增强，知识图谱成研究热点。传统KGC有实体消歧难、模式僵化等痛点。文章提出RAKG框架，将RAG评估机制引入知识图谱构建，实现文档级自动化构建与评估，多指标表现优异。
别被室内基准高分骗了：大模型是在推理空间，还是在「背答案」？
2025年，空间智能成大模型竞争新热点，模型在室内基准上分数飙升。但因训练与测试数据同源，其提升或只是“背答案”。中科院大学等机构发布OSI - Bench重新审视大模型空间能力，评测显示当前提升可能是虚假繁荣。
MMAR与AudioTrust技术解读，音频大模型评测前沿进展分享 | AI Bench Talk直播预告
司南评测集社区 CompassHub 收录多维度评测集。此次 AI Bench Talk 直播聚焦音频大模型，将分享评估其深度推理能力的 MMAR 及全方位可信评估框架 AudioTrust，还设圆桌讨论多模态/音频大模型相关议题。
LLM应用测试范式的进化
文章指出传统软件测试方法在LLM应用中存局限，探讨将其与AI评估结合应对挑战。抽象出LLM应用三层架构模型，分析传统测试范式适用性，介绍AI安全分析方法，阐述测试挑战、范式转变及协同测试策略。
IROS 关键圆桌：到底应该模型驱动，还是数据驱动？
10月20日，美团在IROS大会期间举办学术年会，多位嘉宾围绕具身智能商业化等议题展开探讨。圆桌嘉宾就第一性原理、软硬件体系、模型与数据驱动等话题各抒己见，还谈及机器人最终形态并勉励年轻人。
CodeClash 通过多轮编程竞赛对大型语言模型进行基准测试
为评估大型语言模型（LLM）编码能力，斯坦福、普林斯顿和康奈尔研究人员开发 CodeClash 基准测试，让多个 LLM 在多轮比赛中较量，涉及多种代码竞技场，还评估模型分析代码库能力，未来将处理更大代码库。
AI助手Cici悄然霸榜海外，又是字节
AI智能助手领域有新玩家，字节跳动的Cici在多个国家应用商店霸榜，数月内下载量爆发式增长。它融合字节旗下技术，文本生成用到OpenAI、谷歌模型。同时，豆包在国内AI智能助手赛道全维度领先。
它石智航用“吉尼斯纪录”交卷真干活的具身大脑，丁文超：从来没有Plan B
它石智航在获巨额融资后埋头研发，其A1机器人创线束装配吉尼斯世界纪录。该公司打造具身大脑AWE 3.0，还推出SenseHub数采套件，发起具身数据星火计划，推动具身智能发展。