「评测标准」共找到 946 篇相关文章
openJiuwen社区开源新招：重磅发布JiuwenSwarm，拉开群体智能“养蜂”序幕
openJiuwen社区开源蜂群智能体JiuwenSwarm，落地Coordination Engineering范式。它有全栈技术体系，支持人以HOTS和HITS模式参与协同，实战效果佳，且在评测中表现亮眼，全套能力开源。
第九章 编码 Agent 实战——用 Deep Agents 构建代码审查助手
文章围绕用 `deepagents` 框架构建代码审查 Agent 展开。介绍 `deepagents` 核心能力、安装配置，给出最小可运行示例。还阐述自定义工具及使用方法，添加审查 Skill 明确审查标准和流程。
两个「最强AI」塞进Xcode！苹果这波杀疯了
苹果发布Xcode 26.3重磅更新，将Codex和Claude接入IDE，引入新框架和MCP开放标准。这影响万亿级市场，获开发者好评，是苹果AI战略成熟标志，放下身段提升开发效率。
3.9K Star！Antigravity 火了，但更狠的是这个配套工具！
2025年或成Vibe Coding爆发年，Google推出的Antigravity很火。但开源大神开发的Antigravity Tools更厉害，它是中间件，能将Antigravity模型转成“标准API”，有多种功能，适合Vibe Coding重度用户。
陶哲轩回应OpenAI新模型IMO夺金！GPT-5测试版也曝光了
OpenAI新模型在2025年IMO达金牌水平，GPT - 5也将发布。但陶哲轩指出缺乏统一测试标准，影响公平比较。MathArena测试中，Gemini 2.5 Pro仅13分，远低于铜牌线。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
AI 浏览器压根不可能成为新的操作系统
近期AI浏览器成大模型主战场，营销中模糊Browser和OS边界。文章指出‘AI Browser = OS’不成立，分析原因，还提出定义为Agent操作层更合适，未来或走向能力优先、标准互通的‘通用容器’模式。
OpenClaw长期记忆：优秀管线与玄学效果
文章拆解 OpenClaw 记忆系统全链路，指出其虽设计理念好，但记忆效果不稳定。介绍 RDSClaw 记忆插件如何补强，该插件与原生系统协作，提升记忆稳定性，在 LoCoMo10 评测中成绩显著。
字节发布全球首个预测未来基准FutureX，Grok-4 拿下冠军
字节跳动发布全球首个实时未来预测基准测试FutureX，杜绝模型作弊。在25个模型评测中，Grok - 4夺冠。它从多网站构建问题，分四级难度。人类专家在部分等级仍领先AI 。