「Agent评估」共找到 3334 篇相关文章
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
利用大模型检测钓鱼邮件:方法，效果及数据集
随着企业安全防范增强，钓鱼邮件成重要攻击手段，大模型检测方法盛行。日本论文详细披露检测方法和实验数据，含解析解码、简化邮件、生成prompt、调用LLM四步，还介绍数据集及评估了四个模型效果。
o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石
文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。
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。
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。
美团LongCat扎扎实实做了件难事：LLM数学新天花板AMO-Bench
美团LongCat团队联合高校推出AMO - Bench，用50道原创奥赛级难题评估LLM数学能力。它解决现有基准测试痛点，经四重把关构建，测试显示顶级模型表现不佳，也揭示模型提升空间大。
Kimi K2 Thinking突袭！智能体&推理能力超GPT-5，网友：再次缩小开源闭源差距
Kimi K2 Thinking发布并开源，主打“模型即Agent”，能边思考边用工具，连续工具调用200 - 300次。在多评测基准超GPT - 5等闭源模型，代码权重遵循MIT协议，可在官网和应用实测。