「智能体评测」共找到 3914 篇相关文章
Claude Skills｜将 Agent 变为领域专家
今年10月，Anthropic推出Claude Skills能力，可在Claude多产品使用。它是向Agent注入内部知识的标准化方案，与MCP可协同工作，还介绍了实现Agent Skills的方法及主动式智能导购AI助手构建。
大模型解数学题是真懂还是 “死记硬背”？｜首个反例驱动的数学推理基准揭穿 “刷题式假象”！
随着大语言模型在数学领域应用渐广，其是否真具备数学推理能力成焦点。清华等团队提出反例推理评测基准COUNTERMATH，测试20+主流模型，结果不佳，而小样本微调能显著提升模型能力。
给企业当“AI管家”，以色列初创一年估值50亿
当地时间9月2日，荷兰AI初创公司Wonderful完成5.5亿美元C轮融资，估值达50亿。其提供AI操作系统，让不同AI共享数据、协作。它解决企业多智能体协同难题，产品已在以色列医疗保健机构取得良好效果。
亚历山大王回应一切：LeCun、Manus，“我的父母都是中国人”
亚历山大王加入Meta近一年后首次公开回应争议。他谈了Muse Spark技术逻辑、Meta超级智能实验室架构等，还分享八卦，如与奥特曼决裂代价、小扎抢人真相，认为AI终局未开始，科技行业将分层。
全能高手&科学明星，上海AI实验室开源发布『书生』科学多模态大模型Intern-S1 | WAIC 2025
7月26日，上海AI实验室在WAIC 2025上发布并开源科学多模态大模型Intern-S1。它融合多学科知识，首创跨模态科学解析引擎，在多学科任务上超越顶尖闭源模型，还支撑构建了多智能体系统。
云知声发布U2-Flash，要争“大模型主力位”｜甲子光年
本文报道云知声发布U2-Flash大模型，基于原有U2基座，通过创新后训练方案提升Coding、Agent等复杂任务能力，多项评测比肩头部模型，目标成为企业真实生产任务的主力大模型。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展快，现有检测方法难满足需求。新综述提出‘事实保真度验证’目标，梳理四层检测框架，涵盖底层线索、时空一致性等，强调多层证据耦合与可解释性，还分析评测指标与数据集。
前OpenAI科学家&GPT之父：预训练精准数据过滤，极低成本削弱大模型危险能力数千倍
Claude价值观塑造者Neil Rathi和GPT之父Alec Radford发论文，提出预训练时精准“删掉”危险知识碎片，以极低计算成本将大模型特定危险能力削弱数千倍，且不损通用智能。
“机器人一次性卖完太亏！”真机智能刘智勇：今年中国本体厂商将大淘汰，拼的是世界模型？
InfoQ采访真机智能刘智勇，探讨具身智能领域进展、技术瓶颈及商业方向。刘智勇指出，VLN技术有进展但导航成功率待提升，世界模型可提升机器人能力，2026年本体厂商将收缩，盈利是核心。
DeepSeek在Agent上做了件大事！
昨天DeepSeek发布V3.2正式版，强化Agent能力并融入思考推理，其在Agent评测达开源模型最高水平。文中分析Agent成开源‘心病’的痛点，介绍DeepSeek相关解决策略及成果，还给出使用示例。