「测试评估集」共找到 2697 篇相关文章
全面拥抱AI Agent，从0到1动手用GPTBots搭建企业数字助理智能体，办公效率翻倍~
文章指出当下Agent/Agentic AI是热门风口，企业级智能体受资本追捧。重点分享运用GPTBots平台从0到1搭建企业数字助理智能体，涵盖架构、流程、设计、测试等内容，介绍选择该平台的原因及实践成功关键。
实测美团 LongCat：快到极致，但是别说追平 DeepSeek
AI科技评论实测美团LongCat-Flash-Chat，它是中量级对话模型，主打“快”，几乎零延迟。但在推理、抗污染能力等测试中，相比DeepSeek-V3.1，逻辑链条松散，缺乏清晰判断。速度与逻辑哪个更重要，值得思考。
基于LLM的Agentic Reasoning框架综述：从方面到场景的全面总结
近年来，大型语言模型虽能力强但有局限，研究者构建基于LLM的智能体系统。此综述论文提出系统、统一分类法梳理智能体推理框架，建立统一描述语言和通用算法，分析其在不同场景表现与评估方法。
小扎“亿元俱乐部”车门焊死！被曝冻结招聘，禁止内部人员流动
Meta超级智能实验室被曝冻结招聘，禁止员工跨团队调动。此前Meta大举招人，现因新老员工矛盾、AI部门重组及市场对“AI泡沫”担忧等因素调整战略，虽AI投资有收益，但仍需评估。
AutoGLM 2.0 深度解析：云端智能体的技术跃进与现实挑战
2025 年 GUI Agent 赛道升温，多数产品依赖本地执行。智谱 AI 在 8 月 AutoGLM 2.0 闭门交流会上展示新路径，其由国产模型驱动，具多能力，在 Agent 云端执行架构、训练方式等方面有突破，也面临一些挑战。
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
让OpenAI只领先5天，百川发布推理新模型，掀翻医疗垂域开源天花板
百川智能发布医疗推理大模型Baichuan - M2 - 32B，在OpenAI的Healthbench评测集上超越刚发布5天的gpt - oss - 120b，领先多数前沿模型，支持RTX4090单卡部署，还首创患者模拟器和Verifier系统。
多模态后训练反常识：长思维链SFT和RL的协同困境
华为与香港科大研究发现，多模态视觉语言模型中，长思维链SFT与RL组合难协同增益。研究引入难度分类方法构建数据集，分析各方法表现及组合策略困境，还给出实验发现与未来研究方向。
ShellAgent 2.0 体验：让前端消失，省掉 70% 开发资源
本文介绍Myshell ShellAgent 2.0测试情况，它仅用提示词就能生成Agent应用，摆脱前端构建流程，降低创建门槛。文中展示创建计算八字、分析钱包资产、拆解学习资料等应用案例，还能Remix他人发布的应用。
IMO怒斥OpenAI自封夺金，“91位评委均未参与评分”，网友：炒作无下限
OpenAI宣称新模型获IMO金牌不到24小时剧情反转，多位官方人士和大佬指其做法“粗鲁且不恰当”。其“金牌”成绩或站不住脚，未与官方合作，无评委参与评估。此事引发学术道德和商业炒作争论。