「自动化评测」共找到 1069 篇相关文章
太强了！这个 NotebookLM Skill，真的把 NotebookLM 搬进了命令行！
Google的NotebookLM凭借强大模型能力成AI圈“现象级”产品，如今开发者将其搬到命令行，开源神器notebooklm - py诞生，具备AI Agent工具、研究自动化等功能，有多种使用方式。
耶鲁等团队联合发布首个虚拟细胞Agent，可自动设计出先进的模型
耶鲁等团队发布首个多智能体系统CellForge，可自动化设计虚拟细胞模型。它能输出模型架构和代码，有跨模态能力，性能超多个领域代表性模型，可降低科研门槛，加速药物研发。
不增加人手，项目效率飙升45%，OpenAI公开了一套AI实战经验
OpenAI公开基于大语言模型和专属Skill包的开源仓库维护方法论，将重复工作自动化，使项目代码合并吞吐量飙升45%。该方法由AGENTS.md、Skill包和GitHub Actions构成，还涉及任务分配、验证策略等。
Moltbot实战：MoltBot+RDS AI助手Skill管理RDS实例
文章介绍Moltbot与阿里云RDS AI助手结合管理RDS实例。RDS AI助手能集数据库管理等为一体，Moltbot以轻量级框架霸榜GitHub。二者组合有自动化诊断和运维管理能力，还能定制运维知识库，文中给出对接步骤。
多模态RAG哪家强？9 个 Embedding、4 类 MLLMs、4 大框架实景比拼
现有文档 RAG 评测存在不足，华南理工和华科推出 DOUBLE - BENCH 进行多模态 RAG 实战评测，结果显示检索是瓶颈，模型爱胡说。快手开源 Keye - VL - 1.5 - 8B，PaperAgent 有实操指南。
狂揽19.7K star！！神级开源自动化神器，拖拽即搞定，上千模版，太爽了！
本文介绍开源浏览器自动化扩展工具Automa，它基于Vue开发，支持Chrome和Firefox。不用写代码，通过拖拽模块搭建自动化流程，功能丰富，在GitHub星标超19.7k，适合非程序员等人群。
Andrej Karpathy：AI本质是「软件2.0」，并非电力或者工业革命
Andrej Karpathy分享AI影响经济的思考，认为应将AI视为“软件2.0”，提出预测AI自动化能力的“可验证性”指标，回顾软件1.0，阐述软件2.0，指出“可验证性”决定AI进展的“锯齿状”前沿。
OpenClaw大考！上海AI Lab InternLM团队WildClawBench 60题，把「龙虾」AI打回原形
上海人工智能实验室InternLM团队推出WildClawBench，含60道高难度任务，在真实OpenClaw环境端到端评测AI Agent。评测涵盖多类别任务，已测14个模型，国产模型表现亮眼，项目开源可复现。
为什么 Claude Skills 的爆发点在 2026 年 1 月？
Claude Skills 在 2025 年 10 月发布，到 2026 年 1 月才爆火。核心原因是它出圈了，在非技术领域火起来。其真正价值在非编程领域，有自动化操作、编排工作流、易分发成标配等特点。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。