「Agent评测」共找到 3194 篇相关文章
陶哲轩在菲尔兹颁奖现场：数学迎来百年新危机
菲尔兹奖得主陶哲轩在ICM大会称数学迎来百年危机，上次危机是检查逻辑地基，这次是价值观地基。他以First Proof评测展示AI解数学题能力，提出“工作假设”分析数学研究目标及KPI变化和“证明过剩”问题，还给出应对之策。
全民拜龙？我看是大厂“套壳大战”搞疯了
OpenClaw是开源AI Agent框架，引发全民热潮，中国大厂纷纷推出套壳产品。国产套壳产品上手难度低，但也存在问题。傅盛基于此养出AI团队，猎豹移动市值涨24%。不过，OpenClaw存在安全问题，背后是Token入口争夺战。
ICLR 2026 | 越推越快! 首个面向「Test-Time Scaling」的投机解码基准
文章指出推理阶段扩展（TTS）能提升推理大模型解决复杂问题的能力，但会产生大量冗余计算。为此提出首个面向TTS的投机解码加速综合基准，评测显示N - gram方法在特定场景加速潜力大，混合策略性能更优。
我用“悟空”做了应聘和OPT Skills，预测上班和创业成功率丨龙虾OPT创业笔记
钉钉发布全球首个企业级 Agent 平台“悟空”，它是AI产品进入下一个时代的探索，能接入多平台真实数据，操作公司流程。通过开发者应聘、跨境电商、知识博主等场景案例，展现其能力，还能预测创业成功率，解决企业使用AI的安全痛点。
刚刚，中国AI闯入全球编程前二！前面只剩Claude
Code Arena最新榜单出炉，Qwen3.7 - Max以1541分冲进全球第四，是前五中唯一非Claude模型。它在多项测试中表现出色，是为长时间自主执行任务设计的Agent基座模型，编程跃升或与环境扩展、长程自主执行训练方法升级有关。
在三张圆明园鼠首照片里，我们看到了3D AI的Harness时刻
作者通过三张圆明园鼠首照片开展实测，验证了全新3D AI Harness工作流：通用Agent调度任务、专业3D模型生成、专业软件后处理，仅1.47元即可生成可编辑可交付的3D资产，探讨了3D AI行业的新发展路径。
一个Skill让DeepSeek V4 Pro超越Fable 5？热门插件被锤了
前两天J-Space凭夸张测试结果刷屏，宣称一份Skill接入Agent环境，能让V4 Pro在多基准大幅提升，部分成绩超Fable 5。但社区复测结果相反，作者未公开完整评测记录，还删质疑帖，引发公开打假。
密室逃脱成AI新考场，通关率不足50%，暴露空间推理短板丨清华ICCV25
清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，用于评估多模态大模型在视觉环境中完成复杂任务推理的能力。该论文已入选ICCV 2025。研究评测了多个热门模型，发现它们在推理和探索行为方面存在诸多问题。
老黄杀入OpenClaw战场！最强开源「龙虾」模型直逼Opus 4.6
英伟达推出新一代开源模型Nemotron 3 Super，专为大规模AI智能体打造，有1200亿参数，推理快、吞吐量高，性能直逼Claude Opus 4.6等。它解决了Agent应用的难题，还开源了相关数据和训练方法。此外，英伟达还在打造NemoClaw开源AI智能体平台。
中文版Nano Banana来了？Qwen-Image-2.0炸场：1K长文本硬吃，中文生图彻底不拧巴了
AI生图曾有文本长易糊、指令复杂就出错、中文渲染差等问题。阿里新发布的Qwen-Image-2.0能处理1K token长文本，理解复杂指令，中文渲染佳，还能多图编辑，国际评测表现也靠前，阿里云百炼已开通API邀测。