「基准榜单」共找到 1481 篇相关文章
AgentAuditor: 让智能体安全评估器的精确度达到人类水平
LLM智能体进化为“行动派”，但自主权带来安全问题。现有评估基准缺乏有效精准评估器，研究者推出AgentAuditor框架及ASSEBench基准，让LLM评估器精确度达人类水平，为构建可靠智能体提供工具。
AI百人榜刷屏，小扎照单全收？辛顿Ilya师徒霸榜，第二名竟是本科生
Top 100人工智能名单出炉，Ilya登顶，Hinton家族两人入选，图灵排名第六。78人有博士学位，排名第2的是本科生。清华等国内大学校友多人入选，该名单疑似启发自扎克伯格的机密人才名单。
刷榜风波惊动OpenAI后，这家中国团队拿回Agent硬核榜单第一
在OpenAI主导的MLE - Bench基准测试上，百度伐谋2.0击败对手登顶。此前有团队刷榜引发风波，官方新增清洁赛道。伐谋2.0在多方面优化，还在汽车、金融、科研等产业落地解决难题。
谷歌发布AP2协议，联手PayPal放大招：AI要自己下单了
2025年9月17日，谷歌推出智能体支付协议AP2并开源，宣布与PayPal战略合作。AP2通过‘授权令牌’解决AI下单信任问题，设计三种场景令牌，还采用角色架构保证安全，谷歌联合超60方搭建生态。
小扎官宣Meta超级智能实验室！97年小孩哥带队，11人名单7位是华人
今天凌晨，小扎发内部信宣布成立Meta超级智能实验室（MSL），由Scale AI前CEO、华人Alexandr Wang带队。MSL首批11人名单出炉，7位是华人，前东家包括Anthropic、谷歌DeepMind和OpenAI等。
最新智能体自动操作手机电脑，10个榜单开源SOTA全拿下｜通义实验室
通义实验室推出Mobile - Agent - v3智能体框架，在多核心榜单获开源最佳。它能完成复杂任务，在多智能体框架中灵活切换角色。团队搭建云环境基建，从多维度构建数据，用强化学习和多智能体协作提升其性能。
超越单文件代码生成：微软发布的ZeroRepo如何规划构建3.6万行大型软件？
微软等团队提出Repository Planning Graph（RPG），开发ZeroRepo框架，实现从零生成大规模代码库。RepoCraft基准实验显示，ZeroRepo功能覆盖率81.5%，代码近3.6万行，超现有基线，为AI驱动的软件工程开辟新路径。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。
专业医生远不如AI模型？OpenAI推出医疗开源测试基准HealthBench，o3表现最强
OpenAI推出医疗开源测试基准HealthBench，由262位多国医生合作打造，含5000段真实健康对话。评估显示o3综合表现最佳，顶尖AI处理任务能力超无辅助医生，HealthBench更真实专业有区分度，但也有局限。
登上 GitHub 日榜 TOP5，收获 1.2 万标星的自动剪辑视频开源工具。
video-use是browser-use团队开源的自动剪视频项目，登上GitHub日榜TOP5、获1.2万标星。它改变剪辑交互方式，让用户描述意图，有智能剪辑、调色等功能。技术亮点是双层读取系统，成本和效率更优。