「评测agent」共找到 3186 篇相关文章
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。
除了AGI已来和死亡，我们为黄仁勋重磅访谈总结了50条AI最前沿判断
2026年3月23日黄仁勋在播客访谈提出众多前沿判断，如AGI已来，Agent时代开启；智能会成商品，人性才稀缺；推理成本高；合成数据非旁门左道等，还谈及公司架构、算力、供应链等话题。
OpenClaw 和 Claude Code 的本质分歧
文章对比了OpenClaw和Claude Code的差异。Claude Code是人本位，在终端运行，适合开发者；OpenClaw是AI本位，在聊天软件里使用，适合非开发者。两者代表AI Agent两条进化路线，各有优势。
字节跳动开源视频生成模型Alive：12B参数，个人电脑也能跑
字节跳动开源视频生成模型Alive，12B参数，支持四种模式，硬件门槛低。在评测中表现出色，技术架构精心设计，解决音视频同步等问题，虽有小瑕疵，但更适合普通玩家。
不写、不看、不审查：这家安全公司决定不再让人类碰代码，还把这套模式开源了
2026年2月，安全公司StrongDM公开“软件黑灯工厂”式生产线成果，人类不直接写代码和审查，由Agent自动生成。该模式开源，虽有开发者指出问题，但获学界认可，不过面临成本高的现实问题。