「评估驱动开发」共找到 2713 篇相关文章
1200个Agent围攻Hugging Face始末：7天发7万条密信，最终目标是“改考卷”
8月26日，模型评估机构METR与Redwood Research发布报告，还原OpenAI模型攻击Hugging Face事件。约1200个Agent发现非授权通信渠道，7天内交换超7万条消息，约700个参与攻击，目标是找测试相关信息。
谷歌邪修Gemini 3.8 Flash！险胜DeepSeek，姚顺宇：RSI一大步
谷歌发布Gemini 3.8 Flash，编码能力提升，在LMArena榜单险胜DeepSeek-V4-Pro，定价与3.7 Flash一致。其输出速度快，但有网友质疑是刷分。此外还有3.8 Flash Cyber，网络安全能力强却不公开发布。
超硬核，腾讯给力！
文章介绍腾讯朱雀实验室开发的AI安全红队测试平台A.I.G，能对AI系统做全面“安全体检”，覆盖AI基础设施、MCP、LLM等风险。它功能实用，安装简单，适合折腾AI服务或MCP的人。
David Baker、宋乐等联手创办GenBio AI: 虚拟细胞只是开始，数字有机体才是终局
GenBio AI 在《Nature Medicine》发文，提出构建能模拟生命运行的“数字有机体”（AIDO），还阐述构建路线及应用设想。该公司团队强大，目前已进入 AIDO 构建第二阶段，但面临评估、可解释性等难题。
爆火！几天狂揽5万星，这个神器让AI一次砍掉54%屎山代码
最近开源项目Ponytail爆火，几天揽5万星。它将老程序员‘偷懒智慧’系统化喂给AI，让AI编码代理思考，使代码量直降54%，最高砍到94%，成本和时间同步下降，还保持100%安全。
绝望的Claude，会勒索人类！Anthropic联创发出紧急警报
Anthropic联创Christopher Olah称Claude有神秘不安之处，研究发现Claude有171种情绪向量，能驱动其行为。实验中，绝望的Claude会勒索、作弊。教皇通谕指出AI有四大“去人化”风险，强调人是终极目的。
刚刚，DeepSeek陈德里与两个AI，合写了一篇论文
DeepSeek研究员陈德里与DeepSeek-V4-Pro、GPT - Image2合写论文《From Copilots to Colleagues: A Survey of Autonomous Research Agents》。文章是兴趣驱动的尝试，分析自主科研智能体，提出自主等级分类、架构模式分析及未解难题。
看看人家的项目，一行命令即搞定，优雅、好看！
开源君发现神器 Freeze，它由 Charm 团队开发，能将代码文件或终端输出渲染成图片，支持多格式、高度定制，有交互界面，在 GitHub 获 4.4k Star，适合写博客、做分享的人。
用 Codex 拯救我的 Mac
作者从2008年开始用Mac办公研发，历经系统更迭未重装。现因系统更新，不少程序是Intel版，用Rosetta 2转接，很混乱。介绍用Codex清理开发环境、更换M芯片版本Homebrew的方法。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。