「Agent评估」共找到 3331 篇相关文章
AI 代码审查再进化：AutoDev 多智能体协作架构深度解析
现代软件开发中，代码审查存在信息割裂、人工效率低等痛点。AutoDev 借助多智能体协作与信息聚合，实现从分析到修复的闭环智能流程，还构建多 Agent 协作体系，未来将集成更多能力。
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
Claude Opus 4.1火速发布！坐稳编程之王，官方：马上还有大更新
Claude Opus 4.1正式发布，编程性能超Claude Opus 4及竞品，拿下SOTA。在Agent任务和推理方面升级，定价不变。官方将在几周内大规模改进。Anthropic借客户背书，暗秀关系，文风受开发者喜爱。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
Marvis 实测：6 个 AI“牛马”扎根桌面之后
作者实测腾讯 Marvis，它能实现终端调度、多 Agent 协同、跨模态任务链执行等。虽在编码、审美等方面有不足，但定位安全实用，适合普通用户，体现 AI 助手从对话工具向执行系统转变。
Q:Lab · 龙虾季 | 直播预告
InfoQ 中国推出「Q:Lab」AI 产品测评直播栏目，第一季「龙虾季」聚焦 AI Agent 产品，共 3 期直播，覆盖 9 款核心产品，每期围绕真实职业场景测评，由一线从业者操作并现场出结果。
谷歌24亿美元买个壳？刚发布的“下一代AI IDE”被爆“复制”Windsurf，连Bug一起
谷歌发布号称“下一代agentic开发平台”的Antigravity IDE，体验不佳遭开发者吐槽。它被指是Windsurf专有分支，谷歌曾花24亿美元获其技术授权。其创始人有新设想，但产品问题多，安全性存疑。
太卷了！专属Coding的新一代Arena榜单来了，有国产模型登上榜首
大模型编程竞争激烈，编码能力提升成军备竞赛。LMArena发布新世代大模型编码评估系统Code Arena，国产模型智谱GLM - 4.6登上榜首，其编码能力获认可，彰显国产大模型硬核实力。
OpenAI与Anthropic罕见合作：竞争对手联手测试AI安全
OpenAI和Anthropic完成联合评估，用内部工具测对方模型并公开结果。测试覆盖指令层级、越狱等四大领域，还发现不少细节和道德困境情况。此次合作意义重大，为行业树立安全合作先例。
砍掉70%内存！陈丹琦团队破解LLM长文本瓶颈
大型语言模型处理长文本时，KV缓存占用内存巨大。陈丹琦团队提出KV足迹作评估标尺，推出分块驱逐与PruLong训练技术，在128K长文本任务中最高降低70%内存，性能损失仅10%。