「智能体评估」共找到 4013 篇相关文章
小模型代替顶级闭源：微软用4B小助理，砍掉30% Token消耗
微软研究团队提出实用方案，用4B参数的微型模型Terminus - 4B替换昂贵顶配大模型接管终端执行任务，采用SFT和RL策略打造子智能体，经测试效果良好，节省Token消耗。
“这个怎么组装？”一句无害的问题，如何让AI产生危险输出
Amazon团队发现全新威胁模型“视觉排他性”，提出MM - Plan框架，通过强化学习训练智能体自动发现攻击策略。实验显示其对Claude 4.5 Sonnet和GPT - 5攻击成功率可观，代码和数据集已开源。
从「自我进化」到「DAA」，百度给出 Agent 时代系统答案
2026 年 AI 行业发展微妙，模型能力增强但转化为生产力的企业不多。Create 2026 上百度给出两层答案，构建系统能力，提出 DAA 度量 AI。这是过去三年判断的收束，将非共识整合成面向 Agent 时代的方法论。
Claude Code终于长出调度台：一个屏幕盯住所有AI会话，无需多开
Anthropic为Claude Code上线Agent视图研究预览版，提供「指挥中心」，可在一个界面管理所有会话。开发者能启动多个AI智能体并行处理任务，一目了然掌握任务状态，还支持在线回复和任务切换。
深度拆解 Hermes Agent 的记忆系统：它如何修正 OpenClaw 的误区
文章深度拆解 Hermes Agent 记忆系统，介绍其四层记忆系统，包括提示词记忆、SQLite 历史会话存档、智能体技能管理和用户建模。与 OpenClaw 对比，Hermes 更关注缓存效率，遵循冷热分离、缓存优先等原则。
清华刘洋团队论文：揭示为何 70B 的医疗模型，反而不如 8B 会问诊丨ILCR 2026
在医疗AI领域，模型静态评测与临床问诊能力存在断层。清华刘洋团队提出DOCTOR - R1，将临床问诊建模为POMDP，用强化学习训练。实验验证了其有效性，对医疗AI发展有深远启示。
震撼！0人类，16个Claude全自主开发，2万美元十万行代码成功运行Linux
Anthropic研究员用Claude Opus 4.6智能体团队，让16个Claude自主协同，花两周和2万美元，编写出超十万行代码的C语言编译器，能运行《毁灭战士》、编译Linux内核，但也暴露了一些局限。
无预训练模型拿下ARC-AGI榜三！Mamba作者用压缩原理挑战Scaling Law
CompressARC研究中，Mamba作者Albert Gu团队给出不同于大规模预训练的智能配方——最小描述长度（MDL）。一个76K参数、无预训练模型，在ARC - AGI - 1基准解决20%问题，获ARC Prize 2025第三名。
国产AI拿下国际物理奥赛金牌，13项顶级竞赛豪取12金1银，划重点：开源
上海人工智能实验室团队推出开源模型家族P1，在IPhO 2025理论考试中，P1-235B-A22B成首个达金牌线的开源模型。引入PhysicsMinions后成绩提升，在HiPhO基准排名第一，且全链路开源。
告别海量标注！浙大团队提出GUI-RCPO，让GUI定位在无标签数据上自我进化
浙大等机构研究人员提出GUI - RCPO，这是自我监督强化学习方法，能让模型在无标注数据上提升GUI grounding能力。其通过迁移思想，利用区域一致性自我提升，实验表明该方法有效且有泛化能力。