「Agent评估」共找到 3340 篇相关文章
13小时不眠不休，300个分身狂敲代码！开源第一易主了
4月20日深夜，Kimi K2.6出道即开源，展示了强大的「全栈交付」能力，跑分超GPT - 5.4等。它能完成多类型官网制作，300个Agent协作能力强，还能复刻高盛研报、交付三件套，其Claw群组开启小范围测试。
人类最后考试登上Nature：全球50个国家近千名顶尖学者打造的AI测试集
人类最后的考试（HLE）登上Nature，这一测试集由全球50个国家近千名顶尖学者打造，含2500道高难度试题。现有的人工智能评估工具已跟不上技术演进，HLE能测出AI极限，让顶尖机器暴露短板。
先验+后验加持，大模型能否 hold 住推理预测的现实「溢出」？
多数大模型评估基准依赖固定数据集，难测真实推理实力。字节跳动等推出的 FutureX 动态评测基准，将重点移至动态预测能力。实验显示不同模型在不同任务表现有别，大模型在现实场景运用仍待优化。
刚刚，DeepSeek V4 Pro正式版发布！
周三晚间，DeepSeek 突然发布 V4 Pro 大语言模型正式版，命名为 DeepSeek - V4 - Pro - 0813，官方未调升 API 使用价格。有用户称调用的 V4 Pro 思维链风格有变，跑分显示其 Agent 评测表现可媲美顶级模型，还撞车了马斯克的 Grok 4.6。
打造4大“AI龙虾” 军团，才懂钉钉为何是企业数智化的最佳答案
企业数智化喊了多年却鲜有成功，多数企业面临技术门槛高、系统不通、数据孤岛等问题。把Copaw这个AI Agent接入钉钉，运行了写日报、商机搜寻、A股财报分析、电商数据整理分析四个案例，展现了钉钉平台化优势，是企业数智化有效解法。
网民票选AI王者，LMArena一夜变17亿美元独角兽！
LMArena原是校园开源小项目，从2023年起步，如今估值达17亿美元。其Arena模式让网友盲投选AI，Elo评分系统算排名。虽有众包投票易操纵等争议，但已成行业标杆，还将为大厂提供付费评估服务。
Memento-Skills VS OpenClaw 不改模型也能进化
Memento - Skills让AI Agent自己设计自己，通过部署时学习进化，不动模型参数，将经验写进技能库。经测试，在HLE和GAIA基准测试中准确率大幅提升，与OpenClaw等定位不同，有多种部署方式，不绑定模型。
新瓶旧酒or涅槃重生？操作系统的 AI 进化终将走向何方？
本文基于「AI 进化论：智算时代 OS 的破局之路」直播实录，解码 AI 时代 OS 破局之道。探讨国内外 OS 的 AI 进化差异、内核价值重构、技术跃迁、算力适配等，还提及未来趋势、Agent 生态挑战及 OS 进化关键。
深度体验DeepSeek Harness，我原谅它涨价了
本文深度体验了DeepSeek Harness，它已发布并开源代码。其一切如模型、工具等皆为可插拔积木，官方内置超百个插件。介绍了安装方法、使用特点，还对比了与Codex差异，认为它是Agent时代的安卓，有望推动自进化。
“不爱龙虾爱马仕”，为什么Hermes比OpenClaw更值得
文章对比了Hermes Agent和OpenClaw，Hermes由Nous Research出品，开源免费，安装便捷，支持多模型。其核心是闭环学习循环，能自我进化，技能可自动生成和更新，记忆系统更优，在多场景有优势，安全设计好。