「测试任务」共找到 3358 篇相关文章
复杂的Harness Evolution，甚至不如多跑几遍
本文解读AI2与华盛顿大学最新研究，针对热门Agent Harness Evolution方向，通过公平对照实验检验方法真实收益，戳破研究误区，引发对Agent评估标准的反思。
零样本刷新三项基准：ZeroDiff++让AI边考试边学习 | TPAMI'26
本文介绍发表于IEEE TPAMI 2026的ZeroDiff++模型，是ICLR 2025 ZeroDiff的扩展工作，针对生成式零样本学习的虚假语义关联、分布脱节问题提出新框架，在三项主流基准刷新成绩
GPT-6 Astra 发布了，我却把 GPT 的订阅从 100 刀降到 20
9 月 1 日作者将 Codex 订阅从 100 美元降至 20 美元，两天后 OpenAI 发布 GPT - 6 Astra。作者降级是因大量用 K3、Qwen 3.8 和 GLM5.3 等。Astra 功能强大，但作者仍会让国产模型担主力。
长程 Agent 越跑越乱？ContextPilot 用细粒度 RL 教会模型主动管理上下文
长程 Agent 推理时，传统方法使上下文臃肿、推理成本高。清华、腾讯等团队提出 ContextPilot 框架，扩展管理工具集、采用新采样和信用分配方法。实验显示其用短上下文获高分，降低推理开销。
一个跑智能体，一个专门找漏洞：Google发布Gemini 3.8双版本
9月2日，Google发布Gemini 3.8 Flash和Gemini 3.8 Flash Cyber。前者用于编程等，已稳定上线；后者专用于发现修复漏洞，仅向特定方开放。二者共享基础能力，采用不同安全限制和部署环境。
李飞飞发布：全球首个多模态世界模型
李飞飞团队的World Labs发布全球首个多模态世界模型Atlas，是多模态自回归扩散Transformer，能相机控制生成、3D重建等，已向部分伙伴开放早期访问，未来将成底层模型。
Claude最强Fable 5.1发布！8项屠榜，最高降价45%，反蒸馏机制上线
Anthropic发布Fable 5.1和Mythos 5.1，8项基准测试夺冠，价格最高降45%。展示科研成果，如蛋白质设计、生成金星地图等。上线反蒸馏机制，防止篡改上下文，还给出替代方案。
深度实测「豆包工作」+飞书：目前最接近企业Agent终局的答案
「豆包工作」作为面向生产力场景的Agent产品正式发布，与飞书深度打通，给出了目前Agent进入组织的最佳答案。主流办公Agent基础能力趋同，企业上下文正成办公Agent分水岭，豆包工作+飞书优势明显。
The Batch: 972｜Grok 的 Cursor 联盟获得回报
SpaceXAI发布与Cursor联合开发的视觉 - 语言模型Grok 4.6，已向开发者开放。介绍其输入/输出、特性等信息，阐述工作原理、性能表现，还提及相关新闻背景、重要原因及期望。
上周 GPT 和 Codex 各有一个发布，很多人没注意吗？可以解锁 Codex 百万上下文了
最近基模发布多，OpenAI 俩更新被低估忽略。一是 GPT - 5.6 Sol 的 Ultrafast 模式，输出最高达每秒 750 Token，先向少量 API 客户开放；二是 Codex 为其开放百万上下文能力，不过大窗口有代价。