搜索：评估驱动开发

「评估驱动开发」共找到 2713 篇相关文章

深度体验｜京东开源轻量化通用Agent产品 jdgenie，开箱即用！二次开发及踩坑指南。

本文体验京东开源的端到端多智能体系统JoyAgent - JDGenie，它是产品级多智能体协同系统，开箱即用、支持本地部署。介绍其原理架构、本地部署测试步骤、二次开发方式，还指出特点与不足。

OpenAI将发布AI驱动的网页浏览器挑战谷歌Chrome，或集成代理Operator实现智能网络体验。还准备下周四发布类似o3 mini的开源模型，不再是微软Azure独家。谷歌也可能很快发布Gemini 3。

登上《Nature》子刊的研究显示，约翰霍普金斯大学团队开发的多模态AI模型MAARS，用深度学习处理原始MRI图像，实现对心源性猝死风险高精度预测，准确率达89%，还能辅助制定个性化医疗方案。

Mirage是全球首个实时生成引擎，借助先进AI世界模型实现实时UGC玩法，支持多种游戏类型。与其他成果相比优势显著，由定制模型驱动，打破传统游戏边界，让玩家动态创造新体验。

国内多模态AI发展中，模型层火热但应用层落地慢。多模态应用落地面临体验升级、视频化扩展、大模型部署下沉挑战，催生智能视频云升级需求。火山引擎在FORCE大会展示分布式多媒体处理实践，推出MIPP平台，未来将开源并推商业化产品。

苹果一篇质疑大模型推理能力的论文引发争议。Open Philanthropy研究人员联手Anthropic发表论文，揭露苹果论文三大缺陷，指出部分测试无解却让模型“背锅”，还给出正确评价大模型推理能力的方法。

作者曾质疑多智能体系统，看了Anthropic对「Claude Research」的说明后有了改观。介绍了多智能体系统定义、性能提升、代价，还阐述构建方法、评估方式，公开三个核心提示词及协作模式。

东南大学等团队提出KRIS - Bench，从知识类型视角对图像编辑模型推理能力评测。它分三大知识范畴、细化多种任务，设四维度评估指标，测10款模型，发现模型程序性推理等能力不足。

由十机构联合推出的 MASLab，带来大模型多智能体系统代码库，统一 20+主流 MAS 方法。有方法全、评估准、结构清晰特性，经大量实验刻画性能图谱，还提出新方法，且发起开源社区。

上海交大与SII团队开源高难度复杂疾病诊断测评集DiagnosisArena。测试显示，现有大模型在复杂临床诊断任务中表现不佳，o3准确率仅51.12%，且选择题设置无法反映其真实能力。