「智能体评测」共找到 3914 篇相关文章
Coding Agent 自主解题很强，但用户改一行代码就"翻车"？自所团队提出 SWE-Touch 揭示共享工作空间下的能力缺口
当前基于大模型的Coding Agent是热门研究方向，现有评测多假设其独占代码仓库。中科院自动化所团队构建SWE - Touch框架，对9个前沿模型测试，发现用户干预下模型性能下降、排名洗牌。
长程任务飙升98%，斯坦福Skill原生LLM来了
普林斯顿、CMU、斯坦福、牛津等提出Skill-Native大模型，提出Skill Entropy度量技能切换难度，搭建Skill²-Bench评测，还将熵用作训练信号提出Skill-Entropy RL，提升多模型准确率，且技能熵可复用。
真可用！美团数字人模型开源，MV、电商等统统拿下
美团开源数字人视频生成框架 LongCat - Video - Avatar 1.5 版本，换音频编码器、加速推理，支持多任务与多场景。经770人评测，它在多维度领先对手，各方面表现均衡，效率与质量兼得。
1美元Token撬动4800美元收益！AI挑战百万美元级基准，最赚钱的Agent出现了
Humanlaya Data Lab等机构构建$OneMillion - Bench评测基准，用经济价值衡量模型。它含400道高难题目，覆盖多领域。目前最强模型能产出约50万美元价值，但离可交付专业任务还有距离。
首创“AI+真人”双保障模式！刚刚，百度健康推出7x24小时「能聊、有料、会管」AI管家
百度健康推出7x24小时AI管家，首创“AI+真人”双保障模式，提供全链路服务。它能精准咨询、推荐就医、管理健康档案，靠三层模型架构支撑，标志医疗AI向“智能健康伙伴”跃迁。
CuteDSL-2: 基本操作
文章为Cute - DSL第二篇，整理官方notebook介绍基本操作。涵盖数据类型、张量、结构体等基本操作，还介绍了控制流（For、If - Else、While循环等）及TensorSSA的相关操作，如LD/ST、运算、切片等。
小扎高薪挖来的人又跳回OpenAI了！首席科学家赵晟佳也要回去
扎克伯格高薪挖人组建Meta超级智能实验室，对标OpenAI和Google DeepMind。但刚挖来的人有回流，老员工也出走，涵盖多岗位。重组致管理混乱，华尔街质疑720亿美元AI投资回报。
2026「中国 AGI 创新影响力机构 TOP 30」发布
过去一年 AI 行业变化溢出模型层，Coding Agent 铺开，视频生成实现商业变现，具身智能供应链成型。Founder Park 从四维度选出「中国 AGI 创新影响力机构 TOP 30」，涵盖多领域团队。
Figure机器人直播100小时打擂台，3秒一个不停分拣13万包裹！
Figure公司F.03机器人直播分拣包裹超100小时，分拣超13万个。10小时人机对决中，人类以不到200个包裹险胜。CEO称这是人类最后一次赢，具身智能飞轮或已过拐点。
继宇树后，唯一获得三家大厂押注的自变量：具身模型不是把DeepSeek塞进机器人
2026 开年，自变量机器人获字节、红杉 10 亿融资。自变量认为具身智能不是 AI 模型应用，需“生于物理世界、用于物理世界”的基础模型，其有自研成果，还开源模型组织黑客松。