「评测环境」共找到 1120 篇相关文章
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
再不怕乱引文献！绕过付费墙，BibAgent把学术核验转为证据链
大模型生成学术论述，其引用验证成难题，尤其付费墙后论文难以核验。BIBAGENT突破此困境，不破解付费墙也能验证引文语义真伪，还构建MISCITEBENCH评测，表现优异，为科学写作补“可审计基础设施”。
既要安全⼜要弹性，理想汽车如何解开企业 OpenClaw 落地死结｜甲子光年
2025年以来，大模型应用飞速发展，以OpenClaw为代表的开源框架是变革催化剂，但其在企业级生产环境有缺陷。理想汽车以阿里云ACS Agent Sandbox及ACK为核心，为Agent构建专属‘沙箱’，解决落地难题。
爆火开源！让《魔兽争霸》里的牛马Peon提醒你氛围编程状态，开发效率提高50%
peon - ping是Agent专用开源通知工具，可在多种AI编程环境监听关键事件，通过游戏角色语音、桌面横幅等提醒开发者。还支持MCP、手机推送，有提醒运动附加功能，提升AI编程体验。
AI安全的过去与未来：从大模型到智能体 | 预约
业界提升前沿AI模型和智能体安全性，常用安全评测和‘安全对齐’技术，但未真正解决风险。本次分享将介绍‘内生安全’探索成果，还公布了相关论文信息，刘东瑞等嘉宾将参与。
分割一切、3D重建一切还不够，Meta开源SAM Audio分割一切声音
Meta 深夜放出音频分割模型 SAM Audio，可通过多模态提示分离任意声音。其核心 PE - AV 推动性能领先，还发布评测模型、基准等，整合进新平台，虽有局限但为音频 AI 带来新可能。
机器狗腿被锯了也能继续走！最新机器人大脑来自320亿估值独角兽
Skild AI推出Skild Brain机器人大脑，它在虚拟环境训练相当于一千年时间成型。此模型没在对应机器人训练，控制能力是涌现的，能应对肢体断裂、马达卡住等情况，还可完成精细动作。
MetaGPT 用户智能体发布，开启端到端自主软件测试新范式！
当前AI软件领域代码生成智能化发展快，但测试验收仍靠手动，效率低。MetaGPT推出用户智能体，研究团队发布RealDevWorld框架和AppEvalPilot实现端到端自动化评测，解决复杂软件质量评估难题。
自然意志发布Natura-1：面向物理世界的通用基础模型 | 5Y News
自然意志是专注物理世界通用智能的研究公司，本文正式发布其首个面向物理世界的通用基础模型Natura-1，介绍了模型技术方案、评测结果与发展路线。
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。