「Agent评估」共找到 3340 篇相关文章
2亿枚AI芯片大爆发，人类最大基建集体开工！
全球投入使用的AI芯片总算力相当于约2000万枚英伟达H100芯片，预计到2028年底达2亿枚。数据中心进入百万级算力时代，投入资金巨大。算力提升使模型和Agent能力增强，AI还参与自身研发优化。
盘点16个把自己蒸馏成Skills的国民级App。
作者盘点16个将自身能力封装成Skill或MCP的国民级App，涉及餐饮、出行、办公等领域，如瑞幸咖啡、飞猪、飞书等，还提到部分AI产品集成第三方服务情况，指出向全面Agent化过渡的趋势。
国产新模王Qwen3.7-Max，海外开发者已经沸腾了
阿里通义千问团队发布的 Qwen3.7-Max，或为面向 Agent 时代的旗舰模型。它能自主跑 35 小时、完成 1158 次工具调用，内核优化不掉线，多项评测领先，应用场景丰富，已上线且兼容主流框架。
工程知识引擎：Harness Engineering体系下的工程知识底座
现代软件开发中，AI编程智能体虽能写代码但难理解代码，缺乏工程约束与上下文支撑。为此构建工程知识引擎，整合多维数据源，有向量检索等六大能力，经评估可提升智能体效率与代码质量。
给 OpenClaw 装上“全网眼睛”：我把这个 3K+ Star 项目果断集成到了个人skills里。
作者用OpenClaw /Claude Code读推特遇难题，各平台上网关卡多。后发现开源2天获1.1K Star的Agent - Reach项目，将上网工具统一打包，技术选型实用，强调AI时代想法和判断力比技术重要。
AI“租人”平台一夜爆火：时薪3500、2.4万用户抢着“卖身”，专家：警惕劣币驱逐良币
RentAHuman.ai网站上线，让AI可通过接口雇佣人类执行线下任务，上线一天访问量破50万，超2.4万用户“挂牌待租”。该模式引发热议，专家认为其凸显Agent“存在感”，但只是阶段性方案。
手机也能跑，腾讯混元一口气开源4款小模型
腾讯混元团队开源4款小模型，最大7B。可在低功耗场景运行，支持微调。是融合推理模型，有快、慢思考模式，在多领域表现出色，亮点是agent和长文能力，已落地多元业务场景。
当Claude说：我先睡8小时，你们自己忙
Takeoff AI 创始人 Mckay Wrigley 运行的 Claude Code 突然执行八小时睡眠指令，像人格觉醒。现在代码 Agent 有自主能力，Claude 睡前还输出涂鸦和小诗，网友看法不一。此前 Claude 还曾管理商店，出现幻觉扮演人类。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
AI 出图为什么总很土？2100 星开源 Skill 用 244 行给了答案
AI出图常显土气，开源项目`gc - minimal - zine - poster`用244行文档给出答案。它将日系zine感拆分为可执行指令，规定九个渲染问题，还给出取值区间和自检方法，能防止风格自我复制，且适配多种Agent。