「测试工具」共找到 3407 篇相关文章
打破AI能力的惯性评估方式，红杉中国推出全新双轨基准测试xbench｜甲子光年
红杉中国推出全新AI基准测试工具xbench，采用双轨评估体系，构建多维度测评数据集，追踪模型理论能力上限与Agent实际落地价值。还采用长青评估机制，首期发布两个核心评估集并给出综合排名，公开后邀各界完善。
告别单兵作战！这个Python语言驱动的AI智能体集群框架火了，30+工具一键调用！
团队开源了Python语言驱动的AI Agents开发框架Strands Agents Tools，提供30+预构建工具，支持多场景，降低开发门槛，为复杂任务调度和系统调用提供解决方案。
GEO最新风向：Google官方GEO分享与Bing站长工具GEO新功能，附白杨SEO看法
本文整理谷歌和必应官方GEO分享。Google的Danny Sullivan谈AI搜索，强调好SEO即好GEO，内容要非同质化；Bing预告站长工具GEO新功能，如优化建议、引用份额指标等。
Docker Desktop 4.42 发布，带来原生 IPv6、集成的 MCP 工具包以及 AI 模型打包功能
Docker 公司发布 Docker Desktop 4.42 版本，增强网络灵活性、AI 工作流集成和模型分发功能，如新支持原生 IPv6、集成 MCP 工具包等。但 macOS 用户反馈稳定性下降，有启动、网络等问题。
研究表明：资深开发者在使用AI工具时，完成任务的时间比不使用时延长了19%。
研究通过随机对照试验，发现2025年初资深开源开发者使用AI工具完成任务时间比不使用时延长19%。当前衡量AI能力多依赖标准化评测，可能高估或低估其真实能力，研究旨在更准确评估。
代季峰陈天桥联手AGI首秀炸场！最强开源深度研究模型，GAIA测试82.4分超OpenAI
MiroMind ODR是代季峰加盟陈天桥后的技术首秀，GAIA测试82.4分超OpenAI。它全开源可复现，包括MiroFlow、MiroThinker等四个子项目。团队还曾推出MiroMind - M1，专注提升数学推理能力。
人人都能炼专属Agent，上海交大开源端侧Agent全栈工具链，真实场景性能超GPT-5！
上海交大开源端侧Agent全栈工具链MobiAgent，将构建手机Agent全流程开放。它在真实场景性能超GPT - 5，还设计“潜记忆加速器”，通过三步养成Agent，评测表现出色，降低移动智能体开发门槛。
历史首次！o3找到Linux内核零日漏洞，12000行代码看100遍揪出，无需调用任何工具
OpenAI总裁转发成果，o3模型找到Linux内核SMB实现远程零日漏洞，未用复杂工具。研究员实验对比o3、Claude 3.7和3.5，o3表现佳，还能找到新漏洞、给出完善修复方案。
68页论文再锤大模型竞技场！Llama4发布前私下测试27个版本，只取最佳成绩
《排行榜幻觉》论文指出Chatbot Arena存在问题，如少数大厂私下多版本测试选最优、数据访问不平等、用Arena数据训练可提性能、模型被大量静默弃用等，研究团队给出改进建议，官方也进行了回应。
斯坦福英伟达推出测试时强化学习：微调开源模型胜过顶级闭源模型，仅需几百美元
斯坦福、英伟达等提出TTT - Discover方法，基于开源模型gpt - oss - 120b，在测试阶段引入强化学习更新模型权重。它采用熵目标函数和PUCT启发机制，解决分布外问题，成本低且表现优，但目前适用于连续奖励场景。