「自动化评估工具」共找到 2886 篇相关文章
OpenClaw 背后核心框架 Pi：好的 Coding Agent 应该让用户来决定需要什么
OpenClaw 背后核心框架 Pi 是极简框架，系统提示词和工具定义不到 1000 tokens。开发者 Mario 认为好的 coding agent 应让用户决定需求。Pi 不支持 MCP 等，在 Terminal Bench 2.0 排名靠前，GitHub 星数超 24000。
一行命令，让任何软件秒变AI神器！这个GitHub项目杀疯了
AI智能体推理强但使用专业软件能力差，现有解决方案不佳。CLI - Anything自动化框架打破困境，能让AI通过命令行控制软件，为13款软件生成CLI，有7阶段流水线，多场景适用，介绍了使用方法和项目地址。
CVPR'26 | 以机器人为中心的ToM推理框架，从心智推理到决策行动
吉林大学、台湾大学和微软亚洲研究院联合提出MindPower Benchmark，构建以机器人为中心的ToM推理框架，统一建模环境感知、心智推理等，还构建数据集和评估指标。引入Mind - Reward强化优化，提升ToM决策与动作生成性能。
OpenClaw 之后我开始思考：Agent 最重要的两种能力是什么？
OpenClaw爆火后，作者思考AI Agent除执行能力外，还需审美判断力。介绍Seede AI，它与文生图工具不同，能将内容转化为可编辑设计文件，操作简单，效果惊艳，有独特技术逻辑，未来有风格预设等发展方向。
搜狗输入法，居然还在更新？？
在腾讯微信输入法上线、各类AI新产品轰炸的当下，搜狗输入法进行20.0 AI大版本升级。它有AI文本翻译、轻声识别等功能，用AI大模型全面重构，还接入腾讯混元、DeepSeek R1大模型，免费提供AI服务。
大模型微调评测入门：看懂这些指标，才知道模型好不好
文章指出大模型微调中很多新手重“调”轻“评”，评测是决定模型落地的关键。介绍分类和生成任务评测指标，给出实操步骤，还说明如何综合判断模型好坏，最后展望评测技术朝自动化等方向发展。
免费开源、可本地部署的AI私人助理Clawdbot，保姆级搭建教程来了
本文提供免费开源、可本地部署的AI私人助理Clawdbot的搭建教程。它能在多平台运行、连接工具和技能。教程涵盖创建虚拟机、安装Node.js和Clawdbot、设置连接等步骤，还介绍技能扩展和VPS运行方案。
GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem
北大团队发布多模态、高难度化学基准SUPERChem，构建评估大语言模型化学推理能力新体系。测试显示，GPT - 5准确率仅38.5%，与低年级本科生相当，且模型在高阶推理有短板，该基准为模型优化指明方向。
谷歌发布智能体Scaling Law：180组实验打破传统炼金术
谷歌新论文通过180组实验找到智能体的Scaling Law（定量扩展原则），在四个基准测试评估，推导预测模型，实验结果颠覆直觉，还量化阻碍因素，发现不同模型协作性格，为智能体部署决策提供支撑。
从 Apple M5 到 DGX Spark ，Local AI 时代的到来还有多久？
近期，黄仁勋将桌面级AI超算DGX Spark交付给马斯克引发热议。同时，Apple Silicon等芯片下放端侧推理能力，本地运行时和端侧模型供给加速成熟。但本地算力等问题仍制约消费终端Local AI大众化落地。