「工具实验」共找到 3137 篇相关文章
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。
DeepSeek们越来越聪明，却也越来越不听话了。
论文《When Thinking Fails: The Pitfalls of Reasoning for Instruction - Following in LLMs》用实验验证，模型推理能力变强时，提示词遵循能力变差。研究团队对15个模型测试，发现用CoT推理后执行准确率下降，还提出4种提升指令遵循效果的方案。
机器人也有“Aha Moment”！Zetta ζ 闭环物理智能体在线学习
端到端策略模型在物理世界失灵，现有在线学习路径未走通。清华 AIR 与域变换联合推出 Zetta ζ，通过三个闭环实现闭环物理智能体在线学习，实验显示其任务成功率高，还让机器人出现‘Aha Moment’。
揭秘 | 桥梁缺陷检测新突破：模型压缩42%，精度几乎不掉
全国公路桥梁超百万座，传统人工巡检效率低且有安全风险，现有深度学习检测模型体积大、计算量高。研究团队提出LBSD - YOLO网络，通过创新实现轻量化，实验显示模型瘦身但性能不减，有重要应用价值。
机器人需要一个「思考系统」：τ0-VLA让具身智能迈向长程任务时代
2026 WAIC落幕，具身智能成焦点。当前VLA模型在长程任务中有局限，上海创智学院和智元机器人联合发布τ(0)-VLA，提出分层架构和新推理机制，用大量真机数据训练，在长程任务表现出色。
这个开源项目把视频处理与投稿接成一条流水线
Y2A-Auto是面向YouTube、AcFun和bilibili的自动化处理工具，将下载、识别、翻译等操作集成到Web管理后台。用户可手动或自动处理，支持多平台投稿，有多种功能和灵活配置，适合持续处理授权内容的用户。
AI给你的总是平庸答案?5.8万星插件证明:问题不在模型,在你
GitHub上5.8万星的`taste-skill`仓库，无模型代码，仅用文本规则让AI编程工具输出更有品味。揭示AI默认给平庸答案是概率采样结果，还给出反中位数三问及AI时代变贵的是判断力。
更可靠的主播助理：淘宝主播Agent的Harness工程实战
文章聚焦淘宝主播Agent的Harness工程实战。介绍了Harness基础定义与分层结构，阐述上下文工程、工具调用等八项实战内容，还提及记忆体系特色，强调Harness工程是让主播Agent可用、可控、可演化的关键。
Copilot 创始工程师：大多数 AI 编码“就像开着法拉利去买牛奶一样
GitHub Copilot 创始工程师 Neel Sundaresan 正在构建 IBM Bob 智能编码工具，已有 8 万 IBM 开发者使用。他认为多数 AI 编码成本高，Bob 会按需调度模型。他还对智能体 AI 市场发表了看法，指出其有价值也有风险。
Google一口气发了多少东西？I/O 2026完整梳理
Google I/O 2026发布会成果丰硕。token处理量大幅增长，13款产品月活超10亿。对话式AI融入多产品，基础设施投入增至约1800亿美元。还发布新模型、平台及工具，构建从芯片到应用的Agent体系。