「Agent评测」共找到 3194 篇相关文章
“美国大豆包”Gemini翻身：输出速度碾压同行、智能水平重回第一梯队
过去 Gemini 被吐槽，如今 Google 推出 Gemini 3.8 Flash，六周内第三款 Flash、四个月内第四次更新。新模型成绩佳，输出快，成本低，智能体评测进步大，从经济型选项成生产主力，但实际表现待检验。
博士80小时熬夜改代码，Codex 2小时交卷！科研奇点来了
近日，Agentic AI工程师Dan McAteer实验发现，OpenAI Codex的Goal Mode完成机械可解释性研究任务，效率比博士高40倍。Codex /goal模式能自主循环，契合科研流程。此外，递归自我改进证据涌现，AGI或早已实现。
VL-LN Bench：模拟「边走边问找具体目标」的真实导航场景
上海人工智能实验室等研究者完成VL - LN Bench，模拟真实导航场景。它构建自动化数据收集管线，依托InternVLA - N1训练评测。结果显示主动对话可提升表现，但当前方法在实例感知对齐等环节有短板。
Jeff Dean最新访谈：基础模型越来越强，小团队如何与谷歌等巨头竞争？
Jeff Dean 在 Y Combinator 活动中与 Diana Hu 对谈，探讨 AI 创业者面临的问题。他指出推理成新瓶颈，预计有更多推理硬件；Agent 执行复杂任务进步快；小团队可找 1%成功率问题；还提及稀缺能力及创业建议。
当200位具身从业者被拉进同一个屋子
量子位等联合发起沙龙，近200位具身从业者探讨具身智能从实验室走进物理世界的问题。乐聚工程师指出具身数据瓶颈，蚂蚁灵波郑可成介绍模型，上海交大李永露分享评测基准，圆桌对话探讨数据挑战与破局路径。
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。
5万人抢光「阶跃龙虾」：3分钟一键部署，「养虾」终于变简单了
3月12日「阶跃龙虾」上线，提供5万个免费体验名额。此前阶跃星辰自研的Step 3.5 Flash模型在OpenRouter平台霸榜。其一键部署功能简化养虾流程，且云端版本支持7×24小时在线，国产厂商正推动AI Agent使用范式转变。
斯坦福华人研究火了：45分钟让你的论文变身AI智能体！
斯坦福大学研究人员提出Paper2Agent，可将静态论文转化为可交互的AI智能体。它提供自动化工作流，核心是封装成MCP服务器。通过三个案例展示其将不同论文转化为智能体的能力，提升科研成果易用性与可复现性。
和Anthropic CEO一起发过Nature，他用Claude Code复活三年烂尾代码
华盛顿大学首席开发者Brendan MacLean用Claude Code复活三年烂尾代码。他像带实习生一样带Claude，构建上下文让其理解代码库。同一周OpenAI开源Symphony，实现任务自动派Agent。二者路线不同但目的相同，都在探索让AI融入工程流程。
感觉这次扣子 2.0 触碰了模型和工程的天花板
2026 年，真正好用的 AI Agent 应能拆解目标、推进过程和交付验收。扣子 2.0 正式发布，从“给指令的工具”变为“能干活的工作伙伴”，有技能和长期计划两大核心升级，还具备扣子编程功能，拓宽了 AI 能力边界。