「Agent Benchmark」共找到 2713 篇相关文章
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。
GitHub连续霸榜，难怪别人的图表这么高级优雅！
作者让AI画系统架构图效果不佳，朋友推荐diagram-design项目。它是给Agent用的出图技能包，能让AI生成编辑级质量图表，有多种图表类型，具备诸多亮点功能，还介绍了安装使用方法。
1w颗星！本地化视频翻译配音工具！
KrillinAI是多功能音视频本地化与增强方案，面向人类用户和AI Agent。它功能全，覆盖视频处理完整链路；特点多，支持CLI调用等；还兼容多种语音识别、大语言模型和TTS服务，可Docker部署。
Qwen3.8-Max 正式版终于发布了，能不能打过 GPT 看这里
Qwen 3.8 Max 正式发布，沿用 Qwen 3.5 架构，参数量扩展，重点提升 Coding、Work 和 Agent 能力。它将开放权重，价格有优势。在多项测试中表现出色，还新增多模态能力，已可使用并有优惠。
阿里安全AGI一次发布3款LLM，8B多维度领先GPT-5.4
近期，阿里安全AGI实验室发布3款Yuvion LLM，在AI安全与内容安全领域多维度领先。它以‘对抗即智能’为原则，构建五类数据体系，采用三阶段训练范式，通过YLRE四级评测体系验证能力。
真·QQ飞车！「电动版F1」上海开赛，Gemini在线解说
Formula E电动方程式赛事和Gemini深度合作，Gemini承担直播解说、Driver Agent分析数据及驾驶指导功能。FE规则类似游戏，其技术或下放到普通汽车，不过自动驾驶发展下，FE未来是否需要人类存疑。
单目3DGS迎来突破：影石开源UniSHARP实现全相机适配
影石研究院发布单目新视角合成模型UniSHARP，可通过单次推理秒级获场景高斯点云，支持混合相机训练与免标定推理，适配所有相机。团队还构建数据集、设benchmark，代码等均已开源。
从0到1带你速通 Marvis马维斯
AI 时代，Agent 产品虽强但普通用户使用门槛高。本文详细介绍腾讯 Marvis，它能让 AI 直接理解电脑，可执行多项任务。作者实测 6 个任务展示其功能，认为它是面向普通用户的系统级 AI 管家。
SeePhys Pro：重新审视多模态物理推理中的视觉理解与训练收益
来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。