「好表现定义」共找到 3274 篇相关文章
从 Jev 到 TierSense， Agent 的「判断层」正在被拆出来 | GAIR Paper 132
本文解读Jev和TierSense项目，提出将Agent判断层从大模型生成中拆分，交给专用轻量模型，介绍TierSense能力、实验数据，探讨专用判断模型优化Agent效率的新方向。
对比 Codex，免费的 AgnesCode 也能在底层算子优化任务中打的有来有回
本文实测免费AI Coding Agent AgnesCode搭配Agnes 3.0 Flash，对比付费Codex组合在DeepSeek-V3底层算子多芯片优化任务中的表现，验证免费Agent胜任底层AI工程的能力，分享实测数据与行业洞察。
ScienceDiscovery实现树搜索驱动RSI，加速科学发现，小时级写出通用积分器，低成本找出物理科学规律
openJiuwen社区的ScienceDiscovery把科研试错交给程序，通过树搜索实现科研场景产物RSI。它能在多个案例中高效产出成果，成本低、耗时短，且底座灵活，可换算法和任务，但推广需解决验证速度和可信度问题。
【CIKM'2026】CQ-SID：LLM生成式检索在手猫搜索召回中的探索与应用
文章围绕LLM生成式检索在手猫搜索召回的应用展开。先点明当前搜索召回机制问题及生成式检索挑战，提出CQ - SID等方法，经实验验证其效果佳，还介绍了线上实验成果，最后展望未来探索方向。
GPT-6 Astra：欢迎来到 AGI 时代。
OpenAI 发布 GPT - 6 Astra，总裁称开启 AGI 时代。演示视频展示其强大并行处理能力，跑分有争议，成绩不一。它有诸多成果和安全表现，也有可监控性降低问题，发布过程却状况百出。
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。
华师大智金院孵化金融原生基模Mint-Agent：超越GPT-5.6与Claude Opus 4.8，商业订单已超亿元
华东师大智金院团队孵化的金融原生基模 Mint - Agent 发布，在 FinanceAgentBench v2 上表现超 GPT - 5.6 - Sol 与 Claude Opus 4.8，单题推理成本低，商业订单超亿元，进入规模化金融场景验证阶段。
深度体验DeepSeek Harness，我原谅它涨价了
本文深度体验了DeepSeek Harness，它已发布并开源代码。其一切如模型、工具等皆为可插拔积木，官方内置超百个插件。介绍了安装方法、使用特点，还对比了与Codex差异，认为它是Agent时代的安卓，有望推动自进化。
连续自回归的dots.tts：小红书开源语音合成模型「基座」
语音合成赛道发展如早期大语言模型，路线未收敛。小红书与上海交通大学合作开源的 dots.tts，是 20 亿参数、全连续、端到端自回归 TTS 基础模型，有准确度高、可扩展等特点，还开源了代码。
Genspark 发布 GenOffice：AI 时代的 Office，免费、开源，抢占办公人群的第一工作入口
8月3日，Genspark创始人景鲲在AGI Playground 2026大会发布GenOffice，这是面向Windows和Mac的本地Office客户端，免费、开源、无广告，将AI引入高频办公场景。GenOffice Alpha版已发布，后续会和用户、AI Agent共建迭代。