「Agent评估」共找到 3330 篇相关文章
CrowdStrike联手Meta发布AI安全基准，让AI在真实网络攻击中证明自己
美国网络安全巨头CrowdStrike与Meta在Fal.Con 2025大会联合推出开源基准测试套件CyberSOCEval，旨在评估AI大语言模型在真实SOC环境下的网络安全能力，它源于Meta之前框架，开源供全球开发者使用。
OpenAI 董事会主席：「按 token 计费」大错特错！市场终将选择「按成果付费」
OpenAI 董事会主席 Bret Taylor 参与访谈，探讨创业者在 AI 浪潮中的机会。他将 AI 市场分为三条赛道，认为基础模型创业难，应用 AI 是生路，长尾 Agent 公司或取代 SaaS，商业模式应转向按成果付费。
字节跳动&清华大学开源多模态时序大模型ChatTS，可实现时序数据对话与推理
字节跳动与清华合作开源多模态时序大模型ChatTS，可实现时序数据对话与推理。它用合成数据训练，解决了数据稀缺等问题，在评估中表现远超基线模型，未来可拓展至更高阶任务。
Specula在67个开源系统中找到382个深层bug，数月形式化验证缩短到几小时
截至2026年8月19日，Specula已在67个开源系统找出382个bug。它让coding agent自动生成TLA + 模型和正确性不变量，运行检查并复现问题，将数月的形式化验证缩短到几小时，降低了形式化方法使用门槛。
前阿里P10毕玄的一张聊天截图竟然火了。
AI Coding发展迅猛，前阿里P10毕玄所在公司决定将技术岗位统一为Agent工程师，不再按技术栈划分。以前按技术栈分工模式合理，但现在程序员需适应变化，不然会被边缘化。
快手AI超级员工上线！一句话剪出完整短视频，从文案到发布一条龙
快手AIGC超级员工Kwali正在内测，可一句话生成完整短视频。它整合多Agent框架，有素材库和数字人资源。能完成脚本、拍摄、剪辑等环节，降低视频制作门槛，重构视频供应链。
最强MCP开源：Windows-MCP
Windows MCP 是轻量级开源项目，能让 AI Agents 与 Windows 无缝集成。它弥合大语言模型与 Windows 差距，可执行文件导航等任务，有诸多关键特性，还给出在 Gemini CLI 和 Claude Desktop 的配置方法。
领域驱动的 RAG：基于分布式所有权构建精准的企业知识系统
银行技术供应商为解决文档和专业知识获取难题，探索用 RAG 技术，严格将 AI 作咨询工具。重新分配 RAG 实施所有权，采用元数据方法，探索伸缩性解决办法，构建完整应用并评估性能，结果令人振奋。
刚刚，翁荔博客又上新：通过Harness工程实现AI自我提升
翁荔新博客聚焦Harness Engineering，梳理围绕‘Harness自我优化’的研究，探讨递归式自我提升发生层面，还指出自动化研究和自我提升系统面临的瓶颈，如评估标准模糊、奖励作弊等。
Claude Code 之父最新访谈：编程已经结束、harness 将消失，Claude Code 将只有 100 行代码，loop 才是未来
Claude Code 之父 Boris Cherny 在红杉资本大会分享编程未来。他表示编程已基本解决，自己用手机操控 Agent 工作，loop 是未来，还预测 Claude Code 产品外壳未来或仅 100 行代码。