「Agent评测」共找到 3208 篇相关文章
EMNLP 2026高分论文MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
随着合成数据增多，模型需判断数学数据题目能否被信任。北大DCAI团队提出MathDebugger质检BenchMark，覆盖问答两端，评测主流LLM和PRM。还探究能否判断正误、分类错误、修复数据，证明错误标签可作监督信号。
GitHub连续霸榜，难怪别人的图表这么高级优雅！
作者让AI画系统架构图效果不佳，朋友推荐diagram-design项目。它是给Agent用的出图技能包，能让AI生成编辑级质量图表，有多种图表类型，具备诸多亮点功能，还介绍了安装使用方法。
1w颗星！本地化视频翻译配音工具！
KrillinAI是多功能音视频本地化与增强方案，面向人类用户和AI Agent。它功能全，覆盖视频处理完整链路；特点多，支持CLI调用等；还兼容多种语音识别、大语言模型和TTS服务，可Docker部署。
Qwen3.8-Max 正式版终于发布了，能不能打过 GPT 看这里
Qwen 3.8 Max 正式发布，沿用 Qwen 3.5 架构，参数量扩展，重点提升 Coding、Work 和 Agent 能力。它将开放权重，价格有优势。在多项测试中表现出色，还新增多模态能力，已可使用并有优惠。
真·QQ飞车！「电动版F1」上海开赛，Gemini在线解说
Formula E电动方程式赛事和Gemini深度合作，Gemini承担直播解说、Driver Agent分析数据及驾驶指导功能。FE规则类似游戏，其技术或下放到普通汽车，不过自动驾驶发展下，FE未来是否需要人类存疑。
从0到1带你速通 Marvis马维斯
AI 时代，Agent 产品虽强但普通用户使用门槛高。本文详细介绍腾讯 Marvis，它能让 AI 直接理解电脑，可执行多项任务。作者实测 6 个任务展示其功能，认为它是面向普通用户的系统级 AI 管家。
Qwen3-VL-Seg 深度解读：当多模态大模型学会"像素级精准手术"，仅用0.4%参数碾压8B模型
文章深度解读阿里通义实验室发布的Qwen3-VL-Seg，它解决开放世界指代分割问题，用仅17M参数（占基础模型0.4%）在4B规模超越8B模型。介绍其原理、架构、数据、实验结果，还给出实战代码。
杀疯了！单卡4090跑通全量微调，面壁1B级多模态性能怪兽硬刚大厂
面壁智能推出MiniCPM-V 4.6，参数约1B，性能和推理效率出色。它在多模态任务综合能力、推理速度上领先竞品，靠ViT架构改造和4倍/16倍混合视觉Token压缩实现创新，有工业验证，对开发者和普通用户意义大。
DeepSeek视觉原语论文：当所有人在堆图像分辨率时，它在堆「指代精度」！
4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。
分享2篇最新Harness论文，一篇谷歌，一篇微软
在LLM Agent迅速发展的当下，如何为其设计合适的Harness成关键问题。本文分享微软M⋆和谷歌AutoHarness两篇论文，分别从记忆系统和动作约束维度提出自动化的Harness进化方法，并介绍了实验结果。