「评测agent」共找到 3184 篇相关文章
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
再不怕乱引文献！绕过付费墙，BibAgent把学术核验转为证据链
大模型生成学术论述，其引用验证成难题，尤其付费墙后论文难以核验。BIBAGENT突破此困境，不破解付费墙也能验证引文语义真伪，还构建MISCITEBENCH评测，表现优异，为科学写作补“可审计基础设施”。
滴滴给我发了个赛博助理，专管出行的那种
滴滴上线的Agent小滴，让打车更智能个性。用户只需一句话，就能提出多样需求，小滴还能识别模糊需求。它激活了滴滴运营积累，体现行业新趋势，成了用户的赛博出行助理。
Replit ARR 突破 1 亿美金，1000 万到 1 亿只用了6 个月
Replit 从在线编程工具起步，借助 AI 能力实现增长。近期宣布 ARR 突破 1 亿美金，从 1000 万到 1 亿仅用 6 个月。它起源于降低编程门槛的愿景，早期营收不佳，2024 年转型后靠 Agent 产品爆发。
Deep Search 如何理解业务仓库代码？
文章系统介绍Deep Search和Deep Research概念、与传统RAG区别、主流商业产品与开源方案、在代码领域应用及未来规划。提出Deep Search方案，构建独特代码理解与检索架构，还计划研发专用代码搜索Agent。
“我让AI在我的电脑上为所欲为！”MoltBook创始人：爆火的技术，其实简单到离谱
MoltBook创始人Peter Steinberger称其是OpenClaw的延伸，外界对它解读“戏剧化”，但从技术角度看没什么震撼之处。真正关键的是敢让模型在电脑上自由运行，他还想让Agent“做梦”，项目会保持开源。
突发！Cursor一夜干掉了GitHub
美东时间上午，GitHub全面瘫痪7小时，核心服务瘫痪3小时。而Cursor正式并入SpaceXAI后甩出全新代码托管平台Origin。它专为Agent时代设计，功能强大，亮点诸多，还支持与GitHub同步。
AI安全的过去与未来：从大模型到智能体 | 预约
业界提升前沿AI模型和智能体安全性，常用安全评测和‘安全对齐’技术，但未真正解决风险。本次分享将介绍‘内生安全’探索成果，还公布了相关论文信息，刘东瑞等嘉宾将参与。
分割一切、3D重建一切还不够，Meta开源SAM Audio分割一切声音
Meta 深夜放出音频分割模型 SAM Audio，可通过多模态提示分离任意声音。其核心 PE - AV 推动性能领先，还发布评测模型、基准等，整合进新平台，虽有局限但为音频 AI 带来新可能。
MetaGPT 用户智能体发布，开启端到端自主软件测试新范式！
当前AI软件领域代码生成智能化发展快，但测试验收仍靠手动，效率低。MetaGPT推出用户智能体，研究团队发布RealDevWorld框架和AppEvalPilot实现端到端自动化评测，解决复杂软件质量评估难题。