搜索：自动评测体系

「自动评测体系」共找到 1694 篇相关文章

刚刚，Claude Code 推出 Routines，让 AI 自动帮你值夜班

Claude Code 上线 Routines 新功能，支持定时、API、GitHub 事件三种触发方式，可叠加使用。它跑在云端，接入外部连接器，面向所有付费用户开放，目前处于 Research Preview 阶段。

传统渗透测试依赖人工，效率不高。开源项目PentAGI将‘AI Agent + 渗透测试’结合，能自动完成渗透测试任务，有自主决策能力，功能特性丰富，安装使用较方便，虽有局限但值得尝试。

过去一年，‘世界模型’成视频生成领域热词，厂商强调产品要模拟真实世界运行规律，但业界评测一直未能精准检验其‘物体恒存’的认知能力。为此，研究者提出新基准MemoBench，测试了主流模型，揭示其短板。

上海人工智能实验室等单位提出SurveyForge框架，能自动化生成高质量学术综述论文。它有双数据库协同驱动的大纲生成机制、学者导航代理SANA和并行生成与协调机制。还有SurveyBench评估框架，实验显示其效果好，应用前景广。

文章围绕借助Aone Copilot Agent提升AI代码采纳率至50%展开，介绍项目背景、实践方案、执行过程等，阐述Prompt规则生成方法，分析核心价值与效果，总结经验教训，展望未来技术演进和团队能力建设方向。

4月17日，首创郎园总经理赵春燕在北影节发布AIGC视听产业朝阳全域创新生态体系，推出5大核心举措，构建完整文化IP市场，激活创新模式潜力，推动大视听产业高质量发展。

人大高瓴与快手联合发布全新评测基准GISA，用于评估智能体搜索能力。它解决了现有基准反向构造、评估维度单一、答案易被记忆等问题，含373个高质量查询，实验显示当前搜索智能体距人类水平差距大。

清华大学吕帅团队提出FloorPlan-LLaMa模型，采用自回归生成架构与RLHF机制，解决传统平面图自动生成模型‘指标优秀但实际不可用’痛点，提升生成式平面图设计质量与实用价值。该论文被ACL录用获领域主席奖。

MineContext是开源跨平台桌面应用，可把电脑操作变成“上下文记忆库”。它能自动收集信息、生成总结和待办等。有自动截屏、生成总结等功能，使用体验好，适合常忘工作内容的信息工作者。

Anthropic的Claude Sonnet 5即将发布，已存在于谷歌基础设施中，性能领先谷歌‘Snow Bunny’一代。它价格比Opus 4.5便宜50%，有100万token上下文窗口，SWE - Bench成绩超80.9%，还有自动开发团队模型。