「Skill 评估」共找到 1042 篇相关文章
openJiuwen社区首发Team Skills，定义Coordination Engineering新范式
文章围绕多智能体系统协作问题，指出传统任务编排方式的局限。华为JiuwenClaw团队发布Coordination Engineering新范式，通过Agent Team、Team Skills等能力，解决团队组建、技能沉淀、复用及进化等问题，并以旅行规划为例展示实战效果。
Karpathy的编程经验Skills，开源了，Star涨疯了。
周末，Karpathy大佬的编程经验开源skills项目火了，它把其吐槽大模型写代码的问题编译成大模型可理解的约束。安装简单，还列举了一些规则示例。如今行业把人的经验编译成Agent可执行格式，开源范式改变。
告别“一眼定生死”：Agent-as-a-Judge 开启 AI 评估的下半场
过去两年，LLM-as-a-Judge成评估界“黄金标准”，但面对复杂任务力不从心。论文《A Survey on Agent-as-a-Judge》指出，应从单一的大模型裁判进化为具备行动能力的智能体裁判，还阐述了其优势、发展阶段等。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
生产级Prompt自动化推理评估A/B实验结果的工程实践
本文围绕生产级Prompt自动化推理评估A/B实验结果展开，介绍系统背景与痛点，展示主Prompt和决策树，用deepseek - r1等模型推理。通过分析Bad Cases优化Prompt，总结设计原则和迭代方法，还给出通用启示与展望。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
Claude Code太难？Coze帮你3分钟做出可变现的 Skills
Claude Code和AI Skills很火，但靠其变现困难，如安装调试复杂、不知如何推广等。Coze 2.0更新解决了这些问题，还提供长期计划能力和新年福利，可让用户无需工程能力参与AI生态价值分配。
微信测试中心刷新业界标准，斩获 ICCV 图像质量评估挑战赛冠军
微信测试中心IH-VQA团队在ICCV 2025 MIPI赛事夺冠，其首创的iDetex方案刷新业界标准。该方案能精准定位图像失真，提升评估可解释性，已在微信多业务落地，未来将深耕多模态质量评价等领域。
那个写出20万+阅读的写作Skill，我用扣子免费公开了
作者分享将写作工作流变成扣子技能的经验。扣子的Coze Skill功能让非编程人员也能沉淀专业经验为AI能力，创建简单。对比通用AI，技能产出更具风格。职场人可将方法论做成技能共享，普通人也能搭建。
大模型刷数学题竟有害？CMU评估20+模型指出训练陷阱
CMU团队评估20多个大模型，发现只有强化学习（RL）训练的模型能将数学推理技能广泛迁移到其他任务，监督微调（SFT）训练的模型迁移有限甚至无迁移。研究还探索差异原因，表明RL微调更具优势。