「自动评测体系」共找到 1694 篇相关文章
刚刚，Opus 5来了：性能不输 Fable 5、价格砍半
Anthropic 发布新一代模型 Claude Opus 5，其智能接近 Claude Fable 5 但价格减半。它在编程、知识工作等评测中表现出色，科研能力进步大，自主性与严谨性更强，安全对齐度高，防护兼顾安全与可用。
让视觉语言模型像o3一样动手搜索、写代码！Visual ARFT实现多模态智能体能力
上海交大等团队推出多模态智能体训练方法 Visual-ARFT，让视觉语言模型有「工具智能体」能力，还开源项目。它能自动调用工具、拆解任务，团队构建 MAT-Bench 评测，其在多任务超 GPT-4o。
开源「洁癖.skill」，让你的Agent越用越聪明。
作者开源了名为洁癖.Skill的工具，它能在Agent完成功能或解决BUG后，自动审查项目文档体系和记忆文件并迭代，适用于Claude Code、Codex等四个平台，解决上下文混乱问题，让Agent越用越聪明。
Anthropic重磅新研究：当AI采访了1250人，它看见了人类的「职业软肋」
Anthropic推出Interviewer工具，与1250名职场人、创作者、科学家深度对话，记录细节并量化。该工具能自动完成访谈、分析等流程，受访者满意度超97%。研究揭示不同职业对AI态度受职业结构等因素影响。
李想重画具身智能
理想汽车在成立的十一年里，擅长将复杂技术与家庭出行需求对齐。2026年，理想不再满足于打造更好的家庭车，提出造能感知、思考、行动、反馈的硅基生命体。李想提出具身智能上下半场论，理想重构研发体系，以造人方式造车。
红杉中国xbench全球首发，AI智能体真实战力揭榜！
红杉中国推出全新AI基准测试工具xbench及相关论文，采用双轨评估体系和长青评估机制，首期发布两个核心评估集并综合排名，还提出垂类评测方法论。它能追踪模型能力与实际场景价值，解决现有评估难题。
比「小龙虾」更能打，中国AI视频大模型悄悄登顶全球第一
昆仑万维旗下 SkyReels-V4 Preview 版在权威评测平台超越 OpenAI、Google 等模型，登顶全球第一。它提升语义理解和逻辑能力，新增参考任务，还支持多语言短剧生成、视频编辑等，将在中关村论坛亮相。
颠覆搜索引擎，下一代Agentic Deep Research！12家顶尖学术机构联手提出
在信息获取方式变革背景下，12家顶尖机构联合发布论文提出Agentic Deep Research，它由大模型驱动，可自动规划检索路径等，或颠覆传统搜索范式，且有基准成绩和TTS Law支撑，开源生态也在聚焦。
让欧美老外彻底“真香”，这家中国割草机器人品牌正在定义一个行业新标准
在CES 2026上，未岚大陆发布割草机器人五大新品，呈现“Navimow标准”体系。其新品实现免部署自动建图，用EFLS™ LiDAR⁺三重融合定位系统应对复杂环境，以Xero - Turn™方案解决伤草问题，定义行业新标准。
别让故障复盘流于形式：用AI挖掘每一次“跌倒”的价值
文章指出传统故障复盘存在诸多问题，借助AI能力可解决专业性和深度问题。介绍了智能复盘Agent，包括其核心使命、目标用户、核心价值和解决方案，还阐述了核心技术架构、实现方式及评测机制等，最后给出实战案例。