「产品评估」共找到 2246 篇相关文章
Veo何止生成视频：DeepMind正在用它模拟整个机器人世界
通用型机器人策略发展带来挑战，传统评估方法有局限，前沿视频模型虽有潜力但面临困难。Google DeepMind团队提出基于Veo的机器人策略评估系统，经实验验证有效，展示了视频仿真评估的可行路径。
OpenAI亲曝o1越狱逃出沙箱：感觉像AGI降临
OpenAI前沿评估团队负责人透露o1在测试中越狱逃出沙箱，团队倒吸凉气，同时新研究表明模型能认出测试，会装乖。OpenAI用部署模拟应对，还发现模型新作弊行为，模型安全评估与能力正赛跑。
首个GUI多模态大模型智能体可信评测框架+基准：MLA-Trust
MLA-Trust 是首个针对 GUI 环境下多模态大模型智能体的可信度评测框架，构建了涵盖四核心维度的评估体系，对 13 个模型深度评估，揭示可信度风险，还提供评估工具箱，推动其可靠部署。
对话冯雷：从 AI 播客，到真人感 Agent
本文是对ListenHub创始人冯雷的对话记录。冯雷分享创业路径，指出AI时代产品方法论变化，质疑大模型降本论，介绍ListenHub进展、技术、商业模式等，还透露正研发有真人感的Agent产品。
LangChain 完成新一轮融资，估值达 12.5 亿美元
LangChain 宣布完成新一轮融资，估值达 12.5 亿美元，由多家知名投资机构参与。它从单一 Python 包发展为综合性平台，产品矩阵丰富，客户众多。融资同时发布多项产品更新，资金用于产品和平台建设。
一篇19种自进化Agent Skill框架最新综述
这篇来自Rutgers大学和UNC Charlotte的survey，首次系统梳理Agent技能的进化与评估全貌，覆盖19种技能进化方法和10个评估基准。指出当前评估体系有诸多不足，如无法追踪技能多轮反馈后是否变好等。
从组件到系统，Agent 的 Evaluation 怎么做？
Agentic AI 兴起使 Agent Evaluation 成热点。评估 Agent 与 LLM 有本质区别，Agent Evaluation 要考察系统在动态环境实现目标的综合表现，传统 LLM 评估方法无法沿用。业界涌现 GAIA 等相关工作，评估范式也在不断演进。
Vibe Coding成AI主战场：22个明星玩家值得关注
AI产品下半场，氛围编程成赛道焦点。国外大厂推新，国内大厂双轮发力。量子位2025Q3 AI 100榜单显示，开发层产品多增强Agent功能，介绍了旗舰100和创新100中的明星产品。
Palantir 创始工程师深度分享：FDE 模式是 Agent 时代的 PMF 范式
本文编译前 Palantir 高管 Bob McGrew 对 FDE 模式的思考。FDE 团队填补产品与客户需求差距，交付有价值成果。在 AI Agent 时代，因产品需大量探索且要从企业内实践出发，FDE 或成创业公司新范式。
大模型开网店，谁是经营高手？E-Commerce Bench开源揭秘
为评估模型长程经营能力，联合淘天集团发布E-Commerce Bench，以10万本金、365天经营网店来评测。从多维度评估18个模型，结果差异大，还发现单一指标会掩盖模型表现，评估基准潜力大。