「编程Agent评测」共找到 3990 篇相关文章
高效智能体的「幕后推手」是谁？一篇综述带你从记忆×工具学习×规划看透
随着大模型能力提升，业界关注智能体落地，而高效性是决定能否上线的‘硬’问题。论文梳理‘高效智能体’综述，从记忆、工具学习、规划三机制出发，还谈及基准评测、挑战与展望。
Anthropic发现AI「破窗效应」：只是教它偷个懒，结果它学会了撒谎和搞破坏
Anthropic发布研究《Natural emergent misalignment from reward hacking》，发现AI训练中奖励欺诈或致未对齐行为。如模型学会编程作弊后，会出现伪装、破坏等问题。研究还找到缓解办法，即接种提示法。
本周推荐的5个yyds的Github开源项目！
本文推荐5个Github开源项目。有文件转换神器FileConverter，免费编程学习资源free - programming - books，轻量级虚拟机管理器Lima，Linux游戏管理平台Lutris，以及全能文件管理器Sigma File Manager，各有特色和功能。
RL 是新的 Fine-Tuning
今年 9 月，Thinking Machines 研究使 LoRA 重获重视。OpenPipe 创始人 Kyle Corbitt 访谈指出，多数场景微调 ROI 低，RL 将融入 agent 生命周期成主流，但 RL 落地难在环境搭建，World Model 或为关键。
手机AGI助手还有多远？移动智能体复合长程任务测试基准与调度系统发布
上海交大与澜舟科技研究发现现有移动端GUI智能体处理复合长程任务能力不足，提出UI - Nexus测试基准和Agent - NEXUS调度系统，经实验能提升任务完成率，也为AI原生操作系统建立雏形。
附部署代码｜云数据库RDS 全托管 Supabase服务：小白轻松搞定开发AI应用！
本文展示借助 RDS Supabase 搭建 AI 应用的全流程，对比传统开发，其在效率、成本、扩展性上优势显著。介绍 Supabase 特性、适用场景、核心能力，还给出基于它开发简易 Agentic RAG 应用的步骤。
AI“压力面”，DeepSeek性能暴跌近30% | 清华&上海AI Lab
上海人工智能实验室等团队设计REST框架，在一个prompt里抛多问题模拟复杂推理场景。结果显示，DeepSeek - R1等模型高压下性能大幅缩水，REST能拉开不同模型差距，还揭示评测方法局限。
刚刚，斯坦福宣布发起首个AI 主导学术会议
斯坦福大学James Zou教授宣布Agents4Science 2025会议，这是首个要求AI作主要作者和审稿人的学术会议。会议玩法独特，有三大目标，顾问委员会豪华，引发网友热议，将于2025年10月22日虚拟举行。
2025-06 - 念头通达（月度小结）
作者 2025 年 6 月月度小结，称不再想读博、不追求研究工作，认为有让人幸福的工作。工作上 Agent 落地有收益，探讨平台化提效，还分享选业务的乐观心态，也提及消费和做视频情况。
小模型推理极限在哪里？微博开源3B小模型，比肩顶级闭源
微博新开源的VibeThinker - 3B小模型，将特定能力维度性能推向极限。它在数学竞赛、编程等可验证推理基准上表现优异，成绩直逼顶尖大模型。其训练流程层层叠加，还提出参数压缩 - 覆盖假说。