「Agent评测」共找到 3194 篇相关文章
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。
告别“对讲机”时代：面壁智能给 AI 装上了“神经末梢”
2026 年初，OpenClaw 等开源项目让 Agent 概念爆火，但存在延迟、隐私等问题。面壁智能发布 9B 小模型 MiniCPM - o 4.5 和硬件开发板松果派，解决 AI 本地运行痛点，推动其从云端到端侧进化。
一个Markdown就是一名员工！YC CEO给年轻人的忠告：现在一个人能顶400人，大厂中层最该被AI替换
YC总裁Garry Tan在深度对谈中表示，传统SaaS模式或失效，个人开发者效能因AI提升。他强调创业别追热点，应关注兴趣与独特知识，还指出大公司中层官僚体系未来可用Agents替代。
浪费20亿Token之后，我做了一个帮自己定义目标的Skill。
作者在浪费20亿Token后，开源了帮定义目标的Leader.skill。它能将模糊需求转为清晰目标，适用于多模型组合。还阐述人类与Agent交互范式转变及目标定义要点，给出目标七问方法论。
Base44 也 1 亿美金 ARR 了，又一华人语音 AI 一年实现 1000 万美金 ARR
AI 领域发展迅速，Base44 成立 1 年突破 1 亿美金 ARR，AI Coding 是增长快的细分领域，Cursor 进入以 Cloud Agents 为核心的新阶段，还介绍了其带来的新变化，AI 语音 Infra 也有亮眼成绩。
告别 AI 土味审美！Kimi K2.5 实测：扔个视频复刻 iOS 级丝滑动效
Kimi 上线 K2.5 模型，前端审美佳，接近 Gemini 3，增强多模态识别，支持视频。测试显示它能按要求生成漂亮网页，还可通过反馈迭代。它对设计师和普通人帮助大，且 Agent 模式任务完成率高。
全靠Claude Code 10天赶工上线，Cowork 删用户11G文件不含糊！核心研发：长时间打磨再发布很难成功
Anthropic发布的Claude Cowork研究预览版问题频出，如删用户文件、窃取文件。与Claude Code对比，它交互繁琐、效率滞后。不过核心研发称快速上线再迭代，未来Agent类应用界面会趋简，Skills是关键。
为防AI刷题，Nature等顶刊最新封面被做成数据集，考验模型科学推理能力|上海交通大学
上海交通大学王德泉教授课题组提出MAC基准，用顶级期刊最新封面构建测试集，评测多模态大模型能力。研究设计两种含“语义陷阱”的测试任务，发现顶尖模型有局限，还提出DAD方法提升表现，采用双重动态机制。
刚刚，OpenClaw最猛升级！底层架构大换血，全网等了9天
OpenClaw「2026.3.22-beta.1」预览版上线，对插件系统重构，新SDK替代旧API，ClawHub成首选分发渠道；安全防护升级，封堵多个漏洞；模型配置升至GPT - 5.4，接入Anthropic Vertex等；多平台体验和Agent引擎也有优化。
振臂一挥，大半个具身机器人圈都来了！智源研究院：别藏了，谁贡献数据多，谁的大脑就更好用
2025智源具身智能Open Day上，智源研究院院长邀厂商共享数据，称谁家贡献多，具身大脑在其机器人上更好用。智源无商业包袱，开源数据、统一评测，布局具身大小脑体系，欲做具身智能“安卓”。