「编程Agent评测」共找到 3990 篇相关文章
混合数学编程逻辑数据，一次性提升AI多领域强化学习能力 | 上海AI Lab
上海AI Lab的OpenDataLab团队通过大规模实验剖析RLVR在多领域推理机制。构建多领域评估框架与定制奖励策略，基于Qwen2.5 - 7B系列模型联合训练，有多项关键发现，为构建AI推理模型提供参考。
首个企业级智能体全开源！京东云将Agent门槛直接给打没了
京东云JoyAgent成为首个100%开源企业级智能体，完整能力全部开源，企业开发者可本地独立部署。它多智能体协同能力强、性能一流，还具多项技术创新，解决了企业AI落地难题。
Listen Labs：把用户研究“黑灯流水线”化，AI Agent 系统实现小时级洞察
Listen Labs由两位哈佛校友在2024年底创立，2025年4月获2700万美元融资。今年2 - 5月发布三项核心能力，可实现全流程自动化深访。文章详解其如何实现小时级交付，分析竞争态势与优势，也指出未来待改进处。
刷新复杂Agent推理记录！阿里通义开源网络智能体超越DeepSeek R1，Grok-3
互联网信息检索中，复杂问题让普通开源模型力不从心。阿里通义实验室提出WebSailor方案，通过SailorFog - QA数据集和DUPO算法等创新，提升模型能力，在多基准测试中超越诸多开闭源模型。
AutoDev 预上下文引擎：预生成代码语义化信息，构建 AI 编程的知识基座
文章介绍 AutoDev 预上下文引擎，指出向量化代码检索性价比低，提出用预生成上下文提升 RAG 效果。Context Worker 能深度解析代码，支持多语言，使用简单，还可结合 MCP 服务获取上下文知识。
33%！Claude、GPT、Gemini 在真实网站上集体翻车，ClawBench 把 AI agent 打回原形
ClawBench让AI在144个真实网站执行153个日常任务，结果惨烈，如Claude Sonnet 4.6每三任务翻车两个，GPT - 5.4仅完成10个。它还揭示AI在真实环境的问题，为评估模型提供标尺。
Claude 刚刚上线 “群聊Agent”：Karpathy盛赞的交互新范式，还是打工人的“数字监工”?
当地时间6月23日，Anthropic上线Claude Tag，可接入Slack用于多人协同办公。前OpenAI大神Karpathy盛赞其为交互新范式。不过它也引发隐私担忧，且对“套壳产品”不利，或利好开源模型。
国产多模态Agent拿下医学分割SOTA！不用改模型、不加token | 浙大&上海AI Lab
现有医学多模态大模型在分割生物医学图像时存在瓶颈，浙大蔡钰祥教授、上海AI Lab江彦开等人提出IBISAgent框架，将分割定义为多步视觉决策过程，实验显示其在多数据集上大幅领先对比方法。
智谱GLM-5.1深度评测：8小时连续工作，开源大模型进入"工程交付"新纪元
2026年4月8日智谱发布GLM-5.1，它是全球首个通过真实工程任务验证8小时持续工作能力的开源模型，在SWE-Bench Pro上超越GPT-5.4等登顶。该模型性价比高、技术创新多，还适配国产硬件，开源生态友好。
国产AI营销工具来了！工作流被Agent重构，营销物料一键即出
2026年营销与以往不同，传统营销困境重重，消费者注意力碎片化。巨量引擎推出「品星云AI营销新模式」，贯穿营销全链，有独家生态、硬核技术、体系协同优势，为AI营销产业级落地提供范本。