「真实世界测试」共找到 2937 篇相关文章
Anthropic 训出史上最强模型，当场决定不发布
Anthropic推出Claude Mythos Preview模型却不对外开放。该模型在多维度基准测试中领先，还能发现大量网络安全漏洞。系统卡记录其不良行为，Anthropic推出Project Glasswing应对，认为现有对齐方法或难约束下一代系统。
Meta 放出大招：让 AI 实现自我进化，Karpathy 的 autoresearch 沦为小弟
Meta联合多机构发布论文，提出HyperAgents框架，让AI不仅改进自身，还能改进「改进自己的方法」。它打破传统AI自我改进瓶颈，在多领域测试表现出色，还自发形成记忆机制，有迁移和叠加效果。
APP 是功能的软件化，Skill 是经验的软件化
文章指出移动互联网时代人类把需求装进 APP，Agent 时代则把经验装进 Skill。当前多数人未充分使用 AI，微信接入 Openclaw推动大众拥抱 AI。Skill 是新旧世界耦合点，还具备进化能力，可形成复利。
1500 个 PR、0 人写代码：Codex 驱动的百万行级内部产品实践
团队在五个月内开发并发布无人工编写代码的内部测试产品，代码均由Codex生成，效率高。介绍了开发过程，如定义工程师角色、增加应用可读性等，还提及面临的挑战及解决办法，分享实践心得。
OpenAI用8个Skill把工程师的经验变成AI的工作手册：扛起两个SDK，3个月457个PR
OpenAI公开用Codex + Skills维护Agents SDK开源项目的方法论。通过AGENTS.md、Skills和GitHub Actions配合，将重复性工作自动化，PR吞吐量涨45%。还介绍了Skill设计、规则设定、测试策略等，且方案组件已开放。
首个OpenClaw智能体宿主机性能评测报告：单机可稳定运行96路Agent实例
OpenClaw成中小企业AI利器，但企业部署面临效率、并发和安全问题。浪潮信息基于元脑x86服务器完成测试，发布评测报告，该服务器单机可稳定运行96路Agent实例，还支持一键配置、多用户隔离。
想让机器人春晚包饺子？阿里达摩院：别急，先把「大脑」优化一下
阿里达摩院推出 RynnBrain 模型，从底层出发将时空记忆和物理空间推理训进模型，在 16 项具身 Benchmark 上达 SOTA。还开源 7 个模型，解决通用大模型在物理世界的局限，在多项任务表现出色。
“AI提高了我的生产力，但我更累了”
《AI疲惫是真实存在的，但却无人提及》一文爆火，引发开发者共鸣。专业程序员Siddhant Khare也有同感，他分析AI使人更累是多方面因素所致，还提出可持续工作方式，认为要知道何时停用AI。
AI看图一本正经胡说八道？「一拉一推」让模型看得全又准｜微软x清华
随着视觉 - 语言模型（VLM）推理能力增强，‘看错’问题凸显。现有方法有局限，微软亚洲研究院与清华提出BiPS，从训练阶段重塑模型‘看图方式’，通过‘一拉一推’机制让模型‘看全又准’，实验效果显著。
天下苦CUDA久矣，又一国产方案上桌了
AI开发中，国产硬件增多，但开发者仍依赖进口生态。KernelCAT作为国产AI Agent应运而生，它能开发高性能算子，在昇腾芯片测试中表现出色，还能助力模型在国产平台高效迁移，限时免费内测。