「Agent评估」共找到 3340 篇相关文章
2025-04-努力不是做好事情最重要的因素
作者分享个人生活、工作等多方面情况，提及播客发布，认为努力非工作做好的关键因素，深入探讨Agent在业务应用中的问题，还谈及视频更新、投资经历等，最后表示要审视目标、精简事务。
我拿到了豆包 AI 手机，但它已被围剿
作者拿到豆包AI手机时，它已被部分产品禁止使用。此为面向行业和技术爱好者的技术预览版，内置AI Agent可像人一样操作手机，还介绍了功能、架构等，但推广因App墙受限。
Harness Engineering: C 端 AIGC 内容生产自优化实践
文章介绍蚂蚁保保险快查深度解读页面生成系统（DIPG），它将Harness思想用于C端AIGC生产链路。DIPG采用‘离线生成+校验+刷入DB’模式，解决LLM实时生成时延和质量问题，还阐述多Agent协作、校验机制及回灌流程等。
Vibe Coding 在代码生成与协作中的实践与思考
本文整理自阿里专家向邦宇的分享。探讨构建 Vibe Coding 工具，介绍其分类、在阿里现状。指出用户使用中面临代码质量等问题，产品自身有设计、安全挑战。还分享 Agent 建设经验，强调适配国产模型及模板化的作用。
从社区数据出发，再看大模型开源开发生态全景与趋势
蚂蚁开源先后在527蚂蚁技术日和外滩大会发布大模型开发生态开源项目全景图1.0和2.0版本。2.0版更新评估方法，呈现生态新变化，还分析技术趋势、开发者分布，提及项目进出情况及TensorFlow衰落等。
谢赛宁团队新基准让LLM集体自闭，DeepSeek R1、Gemini 2.5 Pro都是零分
纽约大学等8家机构研究者提出LiveCodeBench Pro竞技编程基准测试，评估了Gemini 2.5 Pro等前沿大模型。发现当前模型有显著不足，在无外部工具时，高难度题通过率为0，LLM与人类大师级水平差距明显。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。
“OpenClaw 类”自进化智能体代表项目介绍
文章指出传统 Agent 存在记忆短暂、能力固定的瓶颈，介绍了 OpenClaw 生态中“自进化”的不同形态，还列举了 Nanobot、AutoResearchClaw 等多个代表性项目，阐述其特点和应用场景，最后抽象出自进化智能体的共同要素和工程模式。
《麦肯锡2025 AI报告》｜附下载
麦肯锡发布2025年AI报告，调查近2000家组织。虽88%企业用AI，但仅39%获实质财务回报。Agent热度高却远未量产，AI多在后端降本，红利多被高绩效企业获得，还改写企业组织架构。
百度造了个“AI星舰”？或成业界最完备的企业级AI平台
在2025百度云智大会上，百度智能云千帆企业级AI开发平台发布4.0新版本，核心聚焦Agent。它一站式提供开发所需能力，解决模型选型、数据盘活等难题，还有RFT工具链降精调门槛，“白盒化”助问题诊断。