「自动化评测」共找到 1070 篇相关文章
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。
具身大满贯还全开源！原力灵机DM0.5登顶RoboDojo，且clone且珍惜
原力灵机的DM0.5登顶具身评测RoboDojo，在记忆维度表现突出，还在其他权威评测中成绩优异。它有强泛化能力，在多场景表现佳。其从数据、架构、效率全面升级，且全面开源，赋能具身生态。
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
24K+ star！AI 专用无头浏览器，快11倍、内存省9倍！
Lightpanda是专为AI代理、网页抓取和自动化测试而生的开源无头浏览器，用Zig语言重写核心引擎。官方称其速度比Chrome快11倍，内存占用仅为1/9，兼容主流自动化库，目前处于Beta阶段，已获24k+ Star。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。
R-HORIZON：长程推理时代来临，复旦NLP&美团LongCat重磅发布LRMs能力边界探测新范式
复旦大学与美团LongCat Team联合推出R - HORIZON，它是首个系统性评估与增强LRMs长链推理能力的方法与基准。提出Query Composition方法构建评测基准和训练数据，评测发现主流模型长链推理性能断崖式下降，还分析出三大瓶颈，训练后模型性能双重提升。
创新性自动化 AI 工具-终结者机器人
Terminator是最快的AI优先计算机操作SDK，用类似Playwright的API与Windows原生GUI应用交互，比基于视觉的方案更快更可靠，能操作后台应用。它重点支持Windows，部分支持macOS，暂不支持Linux。
不要建一千个 Agent：Ramp 如何用一个 Agent 搞定金融自动化
美国企业金融平台 Ramp 估值 320 亿美元，在 The Pragmatic Summit 分享 AI 实战经验。介绍了从“建一堆 Agent”转向“一个 Agent + 一千种技能”架构，Policy Agent 开发过程，定义“正确”标准，建内部 AI 基础设施及内部编码 Agent 情况。
北大、字节、中科院自动化研究所等提出图像并行生成新范式
北大、字节等团队发现多模态模型先思考后作画会降低图像语义保真度，因自回归架构有误差传播问题。为此提出并行多模态扩散框架MMaDA - Parallel，构建ParaBench基准，多项优化后在测试中击败Bagel。
AI 当导演编剧和剪辑？FilMaster打开自动化电影创作新纪元
当前多数AI电影生成系统难达‘专业级’，香港大学推出FilMaster系统。它融合摄影语言与后期制作流程，分两阶段创作电影，能生成高质量作品，但高级后期制作技术未纳入。