「自动化评测」共找到 1118 篇相关文章
Auto Research最后一块拼图，Frontier-Eng Bench登场，在工程闭环里死磕最优
Einsia AI旗下Navers Lab论文Frontier - Eng推出新评测范式Generative Optimization，搭硬核评测系统，覆盖47个横跨5大工程方向的任务。评测多种模型，结果显示gpt 5.4最稳健，但距资深工程师水平尚远。
一夜200万阅读，OpenAI神同步！这项测评框架让全球顶尖LLM全翻车
中国团队领衔全球24所高校机构发布评测LLMs for Science能力的论文，一夜阅读近200万，同一时间OpenAI也发文指出现有评测标准在AI for Science领域失灵。论文推出评测体系SDE，发现主流大模型在科学发现上短板明显。
刚刚，Anthropic 发布官方「龙虾」，
Anthropic 发布 Computer Use、/schedule 和 Claude Code Desktop。Computer Use 让 Claude 控制 Mac，结合 Dispatch 可远程操控；/schedule 能创建云端定时任务。Claude 能力不断进化，正成为自动化 agent。
RPA要没了
Codex更新Record & Replay功能，虽与RPA表面都是录制操作、重复执行，但底层逻辑不同。RPA是指令式，有诸多缺陷；Codex是目标式，是RPA替代品，还构建了企业自动化体系。
AI 编程正在终结框架时代
作者认为自动化编程让人们摆脱繁重体力劳动，可专注重要创作。框架解决简化、自动化和劳动力成本问题，但带来诸多弊端。真正的软件工程已回归，应摆脱无用复杂性，自主构建产品。
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。