「Agent评估」共找到 3340 篇相关文章
一篇论文改写AI科研评价规则！中国公司拿出实践数据，双榜第一、成本更低
今年科技巨头入局AI4S，想打造“AI科学家”。8月19日《Measuring AI Scientists: From Exams to Discovery》论文提出评价范式。深度原理MIRA平台是现实样本，在评测中表现优异，沉淀闭环数据。
这个项目专治建模手残党，给张图就能转变可编辑能转动的3D模型
img2threejs上线11天获4.8k Star，专治建模手残党。给它一张图，它让AI写代码把物体“搭”出来，不重建几何，也不下素材包，还省Token、零依赖，有严格质量门控。
Anthropic发布循环设计指南：权威拆解当下最火的AI新范式loop
Claude Code团队明确loop定义，将其分四大类，给出选择循环及控制Token消耗的实用指南，还介绍保持代码质量方法，最后总结各循环适用场景、建议功能，指导用户开始使用。
并购激励金都不要了？全程踩中AI Coding，Windsurf核心工程师离开DeepMind
AI Coding 赛道核心工程师 Ronak Malde 离开 Google DeepMind，还放下后续经济激励。他曾参与 Codeium、Windsurf 相关项目，在 DeepMind 推进 Agentic Coding 研究。离职之际他总结心得，下一站备受关注。
Claude「永久大脑」，真的来了！
著名AI追踪平台TestingCatalog爆出，Anthropic正为Claude测试「双模记忆系统」，包括「经典记忆」和「文件记忆」。此外，「梦境」预览版亮相，还有终极Agent平台Claude Conway登场，7x24h永不下线。
ICML 2026 | 大模型内部也会长出「情绪树」，规模越大越懂人心
ICML2026 论文指出，大语言模型内部会自然形成类似人类心理学模型的「情绪树」，模型越大，情绪树越复杂，且在销售等任务上表现更好。同时，模型的情绪结构受身份设定影响，存在与人类相似的情绪识别偏见。
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。
中国19岁常青藤少年重塑AI记忆，斩获各大榜单全球第一，点亮AI联想科技树
M-Flow记忆引擎引发海外开发者社区热议，GitHub star破千，在三大公开benchmark评测中夺冠。它由19岁团队心流元素开发，采用Cone Graph分层结构，实现Graph RAG新范式，更注重联想，而非单纯搜索。
π0.7来了！涌现出组合泛化、跨本体迁移能力，VLA又行了？
具身赛道玩家 Physical Intelligence 发布新模型 π 0.7，它展现出组合泛化和跨本体迁移能力，还能通过知识蒸馏学会优化技巧。其强大源于杂数据和细提示，未来有望解决复杂任务。
开源的 skill 被抄了千赞，我用 Lovart 给自己做了个品牌！
作者开源剪辑 Agent 被抄赞多，决定为账号做品牌视觉。其非设计师，用 Lovart 改变与 AI 沟通方式，通过 Brand Kit、字体生成器等完成系列设计，还能导出 PSD，沉淀 Skill。