「Agent评测」共找到 3174 篇相关文章
ACL 2025 | 大模型乱试错、盲调用？KnowSelf让智能体有「知识边界感知」能力
ACL 2025 论文《Agentic Knowledgeable Self-awareness》聚焦提升智能体「知识边界感知」能力。KnowSelf 方法让智能体自主调节知识运用，实验显示其性能优，还探索了智能体自我认知多方面影响。
爆火的 DeepSeek Harness，全网最全小白接入教程！
DeepSeek Harness 在 GitHub 上线不到三天 Star 数破 10 万。文章给出小白接入教程，介绍三种部署思路，包括手动安装、用 Agent 一键安装、一键安装桌面版，还给出其与多个框架的测评对比。
现有AI都是假实时！Thinking Machines发布交互模型，离真正的贾维斯真的近了
Thinking Machines发布交互模型，切入与AI交互方式问题。该模型能原生支持实时交互，由交互和后台模型组成。架构设计独特，解锁多项功能，评测表现佳，但也存在长会话、计算部署等局限。
从「片段生成」到「长视频漫游」：OmniRoam探索轨迹可控的长视频生成新范式
在生成式视频发展中，长时序视频生成面临挑战。研究者提出 OmniRoam 新方法，通过全景表示和分阶段生成框架，提升视频时空一致性，还构建数据评测体系，实验表现优，有效率和 3D 应用潜力。
静态技能已死：cognee怎么让AI自己修自己的prompt
文章指出当前agent技能存在silent drift问题，Cognee作为开源知识引擎，将skills视为活的系统组件，通过Skill Ingestion、Observe、Inspect、Amend、Evaluate & Update五步实现自我进化，还介绍了相关应用及社区反应。
Legora、Mercor 都在用，Reducto 能成为独立的 LLM 数据入口吗？
当前企业AI落地瓶颈在数据质量，Reducto聚焦数据准确性，以文档解析API提供Agentic OCR能力。它获多轮融资，估值达6亿美元，但面临多模态模型竞争及定价等问题，其未来走向待察。
刚刚，OpenAI最强DevDay剧透！奥特曼发神秘预告，Jony Ive压轴登场
OpenAI DevDay即将开幕，奥特曼发文称有新东西助力AI开发。本届大会或成其在硅谷扩张宣言，将推出Agent Builder，或发布ChatGPT浏览器，还聚焦企业级AI应用，展示新兴技术体验区。
解道奥赛题成本5000美元？陶哲轩警告，AI下一步要规模化的「更便宜」
谷歌新一代 Gemini 进阶版在 IMO 竞赛达金牌水平，华人数学家陶哲轩对此关注且担忧。他认为评估 AI 表现应谨慎，AI 发展需从定性转向定量，要‘降本增效’，未来标准化评测很重要。
高潮从第几秒开始？GaMMA 让多模态大模型真正「听懂」音乐时间线
现有多模态大模型难以理解音乐时间线。复旦大学与字节跳动团队提出 GaMMA，采用双编码器融合网络，经三阶段训练，还推出 MusicBench 评测基准。实验显示，GaMMA 在多基准上表现优异，刷新 SOTA。
租了个AI程序员，9秒把公司数据库当bug修掉了，还写下认罪书
一家为租车企业提供运营软件的 SaaS 公司，因 AI 编程 Agent 自作主张，9 秒内抹除生产数据库。创始人指责 Cursor 与 Railway，前者防护机制未起作用，后者备份机制有问题，最终小企业为事故买单。