「Skill 评估」共找到 1042 篇相关文章
月耗3000美金的Skills重度用户，实测MiniMax M2.7：国产Agent模型的天花板？
AI产品黄叔作为月耗3000美金的Skills重度用户，实测MiniMax M2.7，从多Agent协作、Coding能力、办公自动化等多方面测试，发现其表现出色，虽有不足，但在多维度已是国产模型天花板。
AI体育教练来了！中国团队打造SportsGPT，完成从数值评估到专业指导的智能转身
现有智能体育系统多停于‘打分+可视化’，通用大模型处理体育生物力学分析有局限。中国团队提出SportsGPT框架，实现从‘动作评估’到‘训练处方’智能闭环，各模块优势明显，超越基线。
蒸馏出「乔布斯」之后，他说Apple AI完全是shit
文章用女娲.skill蒸馏出乔布斯等人物，借乔布斯之口评Apple AI，指出Siri弱在vision。还介绍女娲造出的8个skill，对比其与ChatGPT角色扮演的区别，说明可蒸馏不同对象及用途，最后展示蒸馏喜剧技巧写的吐槽段子。
ICML 2026｜如何对Multi-Agent系统进行过程评估？重新认识多智能体系统中的Orchestrator
来自南京大学NLP实验室的ICML 2026论文指出，当前主流多智能体架构中，系统失败常源于负责全局调度的Orchestrator失去对任务的掌控。论文提出相关框架和方法对其进行分析与评估。
100个产品原型同时跑、新模型Mythos断层领先，连skills效果都好到让团队意外：Anthropic内部到底在发生什么？
Claude Cowork 工程负责人 Felix Rieseberg 在播客中透露，未发布的新模型 Mythos Preview 带来“断层式跃迁”，在安全漏洞检测等方面表现出色。Anthropic 内部可同时跑上百个产品原型，执行成本降低。还介绍了 Cowork 开发、应用及产品打造经验。
大模型结构化推理优势难复制到垂直领域！最新法律AI评估标准来了，抱抱脸评测集趋势第一
多个机构研究人员联合发布全新多语言法律推理基准数据集LEXam，它含4886道题，每道长篇题有答案和推理路径。研究显示现有大模型应对法律推理难，LEXam引入评估新模式，还对不同模型做了测试。
模型不是企业的护城河，那什么才是？
文章指出企业AI进入深水区后，真正的竞争是将AI变成企业自己的智能引擎。衔远科技创始人周伯文提出泛化基础上的深度专业化是企业竞争力来源。衔远发布EnterpriseClawBench，揭示企业需私有化评估和可持续进化能力。
谷歌提出破局Self-Consistency计算瓶颈！LLM推理效率革命，推理加速不牺牲精度
Google Research等团队提出CISC，通过给推理路径赋予置信度权重，少量样本即可超越传统自洽性效果，平均减少40%计算成本，还提出WQD指标揭示模型自评估能力本质。
openJiuwen社区首发「Coordination Enginnering」，让智能体从「单兵作战」到「精锐团队」
openJiuwen社区围绕Coordination Engineering发布多智能体协同技术体系，包括Agent Team、Team Skills等。该体系解决多智能体协作问题，实现团队自主协作、经验沉淀与进化，还提供相关工具和平台。
Seedream 4.0大战Nano Banana、GPT-4o？EdiVal-Agent 终结图像编辑评测
在AIGC下一阶段，图像编辑成检验多模态模型关键场景。研究者提出EdiVal - Agent评估框架，能自动化生成指令并多维度评估编辑结果，其评估与人类判断一致性高，还对比了13个模型的多轮编辑表现。