「评估工具」共找到 2534 篇相关文章
YC总裁转发、登顶Hacker News：SkillsBench揭开Agent技能扩展的残酷真相
近日论文《SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks》引发海外AI社区关注。研究聚合47150个Skills，经严格筛选评估，揭示人工构建Skills效果好、AI自生成无效等核心发现，为AI研发指明路径。
GPT-5.4「原生操控电脑」实测封神！OpenClaw天选模型来了
OpenAI发布GPT-5.4，首次实现原生电脑操控能力，几乎可操作电脑所有应用。它被认为是最适合跑OpenClaw的模型，在多方面表现出色，其发布标志AI从对话式到智能体的跨越。
我花499找人上门安装OpenClaw，看到了AI时代最魔幻的一幕。
作者花499元体验OpenClaw上门安装服务，发现市场价格混乱，从30到5000元不等。安装师傅非技术出身且自己少用该工具。同时指出OpenClaw有安全隐患，提醒大家别因恐惧盲目安装。
Nsight Python 简介
Nsight Python 是基于 NVIDIA Nsight Tools 的 Python profiling 接口，能采集 CUDA kernel 性能指标。文章介绍其环境依赖、常用 API，还给出多个示例及限制，如可与 Agent 配合，辅助写出更快的 kernel 代码。
AI for Health：从「实验室Demo」到「国民级健康伙伴」的范式跃迁 | GAIR Live 024期预告
医疗大模型正从“聊天工具”进化为“生命基础设施”，但面临诸多挑战。GAIR Live 024期圆桌将汇聚学术与产业顶尖智慧，探讨构建可信、高效、人机协同的医疗新范式，剖析核心议题，分享讨论精华。
首次！AI智能体破解「纳什均衡」，大模型学会博弈论｜Cell子刊
多所高校研究团队开发出PrimeNash大语言模型智能体框架，能自动推导纳什均衡闭式解析解并生成证明。它模拟人类科研路径，分三模块求解，经经典博弈验证，还在碳市场博弈展现应用潜力。
史上最狠春节！阿里千问豪掷30亿，加入AI大战
阿里千问官宣“春节请客计划”，自掏30亿通过免单请全国人民吃喝玩乐。其依托阿里Qwen模型和丰富生态，介入生活场景能力强，此次活动或让AI从工具成消费决策默认选择。
万字拆解：Manus 的 PMF 到底是什么，以及谁在为它一直买单？
本文深入剖析 Manus，探讨其 PMF。分析其使用场景、产品价值，对比与 ChatGPT 差异，勾勒核心用户画像，还发现 AI 工具分工、用户消费特点等，指出 AI 竞争关键，阐明 Manus 边界与行业机会方向。
AI用3年时光，来了解你！首个AI Clone长期记忆基准
现有AI记忆评测存在数据源单一、忽视变化本质、注入成本高等局限。开源学术社区QuantaAlpha联合高校团队提出CloneMem基准测试，构建合成人生，设计评测任务，实验发现简单方法在检索上更有效，记忆系统应还原信息。
多 AI 协同 + SDD 编程实践：一个 AI 全流程交付实录
2025 年以来 AI Coding 技术发展迅速，但在复杂业务场景中存在诸多问题。文章基于 SDD 范式，构建由 Claude Code、CodeX 与 Gemini 协同驱动的工作流，介绍 SDD 理念、技术选型，详述多模型协作机制、工作流程与保障机制，分享实践步骤。