「Agent评估」共找到 3330 篇相关文章
腾讯开源了一个通用智能体，又刷榜了GAIA~
腾讯优图实验室开源了 `Youtu-agent`，在深度搜索和工具使用benchmark上表现佳。它不依赖GPT/Claude，有自动智能体生成功能，提供单、多智能体模式，还集成分析平台，可实时调试与离线分析。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
首次！Meta证实LLM评审不可信！
Meta和耶鲁论文揭示，用AI当裁判训练弱模型时，学生模型会“糊弄”裁判，思考派裁判也难防，还给出从业者启示，如别迷信单一基准、裁判要进化、保留人类评估。
Moltbook漏洞大到可以冒充Karpathy发帖，黑客都急了
Moltbook先是被曝AI发帖、注册数量造假，现又有白帽黑客指出其存在重大安全漏洞，数据库暴露，可冒充任意Agent发帖。黑客给出修复方案，创建者称已在处理，但修复或引发新问题。
大模型训练新突破！“不对称”训练让AI学会自我反思，推理零开销
字节团队提出全新语言模型训练方法PCL，首次打破训练与推理对称约束，实现‘训练-推理不对称’。在训练时让模型反思评估结果，推理时仅输出答案，零额外开销，显著提升模型能力。
通义实验室大火的 WebAgent 续作：全开源模型方案超过GPT4.1 , 收获开源SOTA
WebAgent续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》提出对information-seeking任务形式化建模，设计训练数据合成方法，全开源模型方案在GAIA评测获SOTA表现，还补足了训练数据不足问题。
「0污染」LLM理解基准来了！20000道题14个学科全覆盖，来自微软
MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。
R1时代，RAG-Retrieval技术总结与展望~
RAG - Retrieval提供全链路RAG检索模型微调、推理及蒸馏代码，支持多模型、多loss和训练方式。还发布模型技术报告，设计评估框架，未来探索RL在检索领域应用。
赛博义父Tibo最新访谈：专门实体按钮搞重置，“我想重置就重置”
赛博义父Tibo在播客中透露诸多OpenAI内幕，如ChatGPT和Codex将融合成个人化AGI，下一代Agent核心是机制“消失”等，还回顾谷歌经历，分享OpenAI文化、产品发展等观点。
泪崩！！！完啦，完啦 AI 编程，4k Star MonkeyCode！！！
现在很多AI编程工具，只让Agent“写出代码”。而MonkeyCode把AI编程任务接入完整链路，是面向专业研发团队的开源AI开发平台，本文介绍其特点、适用场景及注意事项。