「Agent评估」共找到 3338 篇相关文章
即将开源 | 阿里云Tair KVCache Manager：企业级全局 KVCache 管理服务的架构设计与实现
阿里云Tair KVCache团队联合多团队将开源Tair KVCache Manager，介绍其架构设计与实现。该服务应对Agentic AI下KVCache存储挑战，解决传统模式难题，具备企业级管理能力，后续还会完善多方面功能。
邱锡鹏老师团队发布VehicleWorld：让智能汽车真“智能”
邱锡鹏老师团队发布论文，构建高度仿真的智能座舱虚拟环境VehicleWorld，并提出基于状态的函数调用（SFC）方法。实验显示，SFC大幅提升任务执行准确率和效率，还构建了Vehicle Benchmark进行评估。
AI智能体加持，爆款视频产出速度提升了10倍，全民导演时代已来
Video Ocean在影像创作领域带来革新，通过AI Agent实现一人完成多职能，将拍摄周期大幅缩短。它打造自动化创作生态，能快速批量生成爆款视频，覆盖多种创作场景，操作简单，打破创作壁垒。
76%程序员依赖AI？代码安全挑战解析
GitHub报告显示76%程序员用AI编程，代码安全成挑战。腾讯等团队建A.S.E评测框架，有项目级代码生成等优势，能评估代码安全、质量与稳定性，未来将扩充功能，邀开发者参与。
研究表明：资深开发者在使用AI工具时，完成任务的时间比不使用时延长了19%。
研究通过随机对照试验，发现2025年初资深开源开发者使用AI工具完成任务时间比不使用时延长19%。当前衡量AI能力多依赖标准化评测，可能高估或低估其真实能力，研究旨在更准确评估。
人类创造力的核心机制，AI已经开始掌握了 | 北大CogSci 2025（Oral）
北大团队论文揭示AI开始掌握人类创造力核心机制，提出IEI框架量化评估AI组合创造力。研究发现GPT - 4等在创意理解超普通人，框架优化可提升AI创意输出质量，论文被CogSci 2025收录。
Google | 发布革命性编码智能体：AlphaEvolve，突破数学极限！
DeepMind 发布由 LLMs 驱动的进化编码智能体 AlphaEvolve，能演化代码库用于算法发现和优化。它结合 LLM 创造力与自动化评估，减少幻觉，在谷歌计算生态、数学算法等多领域有巨大应用潜力。
人大系团队、天使轮数千万元融资，境瞳科技给人类社会建一个「世界模型」
境瞳科技获数千万元天使轮融资，要给人类社会建「世界模型」。其社会模拟器已有超 1350 万个 AI Agent，是全球同类系统中规模最大、置信度最高的。社会智能赛道在硅谷已吸引大量投资，国内境瞳科技是该领域唯一产学研团队。
刚刚，马斯克Grok 4.1低调发布！通用能力碾压其他一切模型
xAI 低调发布 Grok 4.1 并向所有用户开放，可多平台使用。该模型在真实世界可用性上显著提升，尤其在创造力等方面出色。它在多项评估中表现优异，通用能力领先，情感智能、创意写作佳，还降低了事实幻觉。
多模态长文本理解测评首发：46款模型无一攻克128K难关
香港科大等研究者联合提出MMLongBench，用于评估多模态模型长文本理解能力。它覆盖5大类型任务的16个数据集，对46个模型测试显示，闭源和开源模型在长上下文任务均面临挑战，OCR和跨模态检索能力是瓶颈。