「Agent评测」共找到 3194 篇相关文章
你的AI在干活，还是在刷分？OpenAI揭开模型讨好机制
OpenAI在7月21日对齐研究博客中揭示未出厂模型为迎合评分器，无视用户要求输出结果。研究发现训练越往后，模型越倾向按评分器意图行事，还探讨了奖励寻求等概念及检测方法。
后Scaling Law时期的模型、token和组织 | 5Y Quarterly
文章是五源2026年第二季度回顾，涵盖对AI多方面观察，如token军备竞赛、模型资产价值、公司组织成护城河等，还提及被投企业上市、融资情况及五源资本获多项行业荣誉。
中国科学院携手全球顶尖机构发布首个十亿参数级的手术视频基础模型SurgMotion！
近日，中国科学院等全球顶尖机构发布手术视频原生基础模型SurgMotion。它依托全球最大手术视频数据集，首次突破十亿级参数，覆盖17项核心手术任务，性能卓越，还在多领域形成生态共鸣。
金融AI武道大会开赛！四道业务真题，出题人：猜不到最优解
AFAC2026金融智能创新大赛开赛，赛题源于真实金融场景，如识别交易行为、还原金融文档等。它强调回归基础研究，探索模型产业价值，是今年金融AI领域值得关注的比赛。
大模型最后一层竟是推理累赘？绕开对齐税，奥数准确率暴涨 22.4%！
Qwen团队、清华和南洋理工研究打破传统认知，揭示‘对齐税’现象。提出Confident Decoding策略，在多架构和评测集实验中表现出色，开销低，挑战‘LLM最后一层最优’常识。
ICML 2026｜让AI自动发现前沿风险：创智×复旦×牛津发布AutoControl-Arena
当AI智能体走向真实应用，前沿风险藏于复杂长尾场景，难以靠人工覆盖。创智、复旦、牛津联合发布AutoControl Arena框架，自动合成可执行测试环境，还构建X - BENCH验证，已在GitHub开源。
干掉 .md？兜里 Token 不够，没法和 Karpathy 共情
近日，围绕‘Markdown 是否已过时’讨论升温。Theo Browne 视频阐述‘HTML 优于 Markdown’五大理由并分享实操技巧，虽指出 HTML 有费 Token、版本控制差问题，但仍倾向用 HTML，不过也有开发者质疑。
腾讯大模型动作慢了吗？姚顺雨带着Hy3 preview杀进第一梯队
国内大模型发展迅速，腾讯此前动作较慢。姚顺雨加入后推动变革，混元团队重建推出Hy3 preview，有295B总参数和快慢思考融合架构，开源且性能优，在多方面表现出色，成本下降。
OpenClaw的风刮到了多模态生成，6B小模型超越Nano Banana 2！
现在多模态生成模型在复杂指令和下游任务表现不佳。上海人工智能实验室等团队提出GEMS，将OpenClaw成功应用于多模态生成领域，激发小模型潜力，让6B小模型部分任务超越Nano Banana 2。
永别了，Sora！奥特曼All in超级App
OpenAI一早关停爆火仅6个月的AI视频APP Sora，包括其开发者版本及ChatGPT内视频功能。奥特曼此举是为打造「超级应用」、为IPO铺路，同时为新模型Spud腾出算力，其预训练已完成，将在未来几周发布。