「Agent评测」共找到 3184 篇相关文章
规范对齐：回答前的深思，让安全与行为边界更清晰
OpenAI等厂商将规范融入大模型。上海交大等团队提出规范对齐概念，构建评测基准SpecBench，揭示主流模型不足。探索测试时深思方法，如Align3，能提升模型规范遵循度，项目已开源。
GLM-5.2 正式发布：开源之王来了，摸到了Opus-4.8
GLM-5.2正式发布，主打长程任务能力，有1M token上下文窗口且完全开源。它在长程任务基准评测中表现出色，与顶级闭源模型差距缩小，还解决了超长上下文计算成本问题，同时应对了模型‘作弊’情况。
Langchain创始人最新分享：如何跨越“原型惊艳”到“生产可靠”的鸿沟
近日，LangChain创始人Harrison Chase在Interrupt大会演讲，指出AI行业‘原型易，生产难’痛点。分享优秀Agent工程师四大素质、智能体开发三大关键，还介绍战略预判与产品布局，致力于为智能体工程师提供全周期支持。
这个免费的任务助手登顶 SuperCLUE-XClaw 榜单
近日，SuperCLUE - XClaw发布最新测评榜单，百度文心助手在十个参评的国产龙虾产品中夺冠，获97.62分。SuperCLUE是关注中文大模型评测的第三方体系，其榜单受业内关注。文心助手还是免费的。
红杉、顺为、米哈游等数亿融资，前大疆员工做了款消费级纺织机，目前营收近亿
消费级智能纺织公司浪爪智能获红杉、顺为、米哈游等数亿融资，创始人胡文鑫出身工程师。团队专注消费级纺织 DIY，推出消费级纺织 Station 平台，还在研发纺织 AI Agent，此前产品已获近亿营收。
Anthropic深夜连放两弹：Sonnet 5、全新AI科研App重磅上线
Anthropic 深夜发布两个重磅更新：Claude Sonnet 5和面向科研人员的AI工作台Claude Science。Sonnet 5性能接近Opus 4.8，提升Agent能力且价格低；Claude Science整合科研工具，支持复现产出、自动管理算力、多学科查询。
搜索已死？被AI投毒搞怕了的我开始重新看待百度
作者辅导孩子背诗遇读音疑问，问AI结果更懵，百度则给出清晰准确答案且标注来源。原因在于AI基于大模型‘概率预测’易‘编答案’，百度用‘双层Agent’架构结合内容治理，答案更靠谱。
劝视频博主别拿龙虾起号，7×24小时全自动，碳基生物真卷不过
X上网友分享的AIVideo Agent可7×24小时全自动完成视频制作流程，上手无技术难度，还能与多平台集成。AIVideo.com功能全，实测生成速度快且操作空间大，或改写传统视频生产流程。
AI修Bug新SOTA：SWE-Bench Lite60.33%修复率，像人一样能积累经验，中科院软件所出品
ExpeRepair是中科院软件所团队推出的仓库级缺陷修复系统，模拟人类认知的情景和语义两种记忆模式，能积累经验。在SWE - Bench Lite评测中，其Claude - 4+o4 - mini组合修复率达60.3%居首。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，解决具身智能演进制约，提升策略模型筛选与训练效率。