「任务设计」共找到 3084 篇相关文章
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
The Batch: 916 | Gemini 强势领跑
谷歌更新旗舰 Gemini 模型，推出 Gemini 3.1 Pro Preview，以相同价格实现性能跃升。它在多项基准测试中领先，性价比超对手，虽部分测试落后竞品，但提升或源于模型质量改进，成本效益策略值得关注。
多模态Deep Research，终于有了「可核验」的评测标准
俄亥俄州立大学与 Amazon Science 等联合发布 MMDR - Bench，将多模态 Deep Research 评估拉到可核验标准。它含 140 个专家任务，覆盖 19 领域，把评估拆成 3 段管线、12 指标，强调过程证据链。
Anthropic 2026 Agentic Coding 趋势报告：软件开发的 8 大变革
Anthropic《2026 Agentic Coding Trends Report》基于企业实战数据，总结了AI编程Agent重塑软件开发的8大趋势，分基础、能力、影响三类，附企业案例，还给出2026年四大优先事项。
一天两枚“代码核弹”：OpenAI 祭出首个“主打实时协作”的 Codex 模型，谷歌放出 Gemini Deep Think，码力冲到世界前8
OpenAI 发布 GPT - 5.3 - Codex - Spark 研究预览版，专为实时编码设计，降低交互延迟。谷歌更新 Gemini 3 Deep Think，面向科研与工程难题，在多领域测试表现出色，二者引发网友热议。
机器人成精了？Figure 03下厨房，不经意关抽屉那一下，太像人了
新智元报道，Figure AI推出搭载Helix 02系统的机器人Figure 03。视频中它在厨房自主干活，如用胯顶抽屉、用脚抬门，还展现多核心能力。其突破传统难题，实现行走与操作统一，能胜任家庭细活。
姚顺雨入职腾讯50天后，发布了首篇署名论文：CL-Bench
2月3日姚顺雨加入腾讯50天后发布首篇署名论文《CL-bench: A Benchmark for Context Learning》。该论文做了新的benchmark，测试显示前沿模型平均分仅17.2%，指出模型在上下文学习尤其是归纳能力上的短板。
完全取代Claude Code？OpenAI反击来了，推出Codex app「限时免费使用」
OpenAI推出macOS版Codex应用，反击Claude Code。它有全新交互界面，助开发者管理多AI Agents，支持并行任务。限时内，ChatGPT部分用户可免费使用，速率限制有调整，还具备多种新特性。
13 万人收藏的 Openclaw 登顶GitHub No.1！附上超绝性价比部署指南！(保姆级)
Openclaw在GitHub上Star数近13万，登上多榜单TOP1。作者介绍用GitHub Codespaces零成本搭建其服务，搭配Kimi K2.5模型和Discord应用，还给出部署步骤、常见问题解决办法及功能演示。
谷歌新模型登顶Nature，人类基因密码被解码
谷歌推出全新AI工具AlphaGenome，能精准预测人类DNA序列变异对调控基因生物过程的影响。它满足多项条件，在26个变异效应benchmark中25个达SOTA，还通过多个案例和实验验证了其性能。