「评测agent」共找到 3184 篇相关文章
Claude Sonnet 4.5被炸出来了，依旧最强编程，连续30小时自主运行写代码
新发布的Claude Sonnet 4.5在SWE - bench等多项测试中成绩提升，能连续30小时自主写代码，还改善了对齐和安全性指标，且提质不加价。此外，Anthropic官宣Claude Agent SDK，发布Imagine with Claude功能。
多模态模型挑战北京杭州地铁图！o3成绩显著，但跟人类有差距
近年来，多模态大模型在多种场景取得进展，但能否‘看懂图’存疑。西湖大学等团队提出评测基准ReasonMap，评估模型在地铁图理解中的能力，发现主流模型有瓶颈，闭源模型虽优但仍逊于人类。
代码智能体占领GitHub！自动修bug、加功能、写文档，一台手机就能指挥
GitHub上新代码智能体Copilot Coding Agent，可自动修bug、加功能、写文档，开发者评价很棒。在手机APP就能操作，还能同时分配多任务。微软宣布VSCode中GitHub Copilot将开源，还发布多项新功能。
轻量级开源AI多智能体框架！智能路由+上下文管理，前后端接口支持！
随着多智能体系统成对话式AI新趋势，GitHub现轻量级高灵活性多AI智能体协调框架Agent - Squad，它能实现多智能体协作、路由和上下文共享，支持双语言，部署灵活，功能强大且安装友好。
我给剪辑产品 0 元雇了个外部研发部：它开始自进化
作者的剪辑产品有了“外部研发部”——Agent。它每天研究新方法、用真实项目测试。作者三步搭建此“研发部”，让其自动查询、测试和汇报，自己负责最终决策，项目获取新方法不再只靠偶然。
具身智能“高考”难疯了！人类100分，最强模型12.8
原推出RoboTwin系列基准的团队带来RoboDojo，这是统一的仿真+真实世界机器人操作评测基准。它设42个仿真任务、18个真实任务，让30个主流策略竞技，结果显示机器人距通用操作差距大。
兼顾效率、成本与能力，百灵开源旗舰推理模型 Ring-2.6-1T
5月15日，蚂蚁百灵开源旗舰级推理模型Ring-2.6-1T，权重文件上线Hugging Face、ModelScope平台。该模型有万亿参数，‘按需思考’，在代理执行、推理机制、训练范式三方面升级，评测表现出色。
Q:Lab · 龙虾季 | 直播预告
InfoQ中国推出AI产品测评直播栏目「Q:Lab」，第一季“龙虾季”聚焦AI Agent产品，有3期直播，分别在4月21、23、27日，每期围绕职业场景测评多款产品，还有AICon 2026会议推荐。
立省499！我给你们找到了最傻瓜的OpenClaw安装方式。
作者应读者需求，寻找简单的OpenClaw安装方式，发现智谱的AutoClaw。它本地部署，支持Mac和Win，配置简单，还优化技能、显示用量，支持多模型API，能建分身，让普通人感受Agent魅力。
爆火的OpenClaw怎么玩？谷歌老哥40天打磨终极配置单开源：让你的龙虾越养越聪明，自动打怪升级
OpenClaw正掀起AI狂潮，谷歌高级AI产品经理Shubham Saboo经40天实战打磨出OpenClaw Agent终极落地方案。其系统架构分身份、操作、知识三层，文件不断进化，文末附实操路线图。