「Agent评测」共找到 3224 篇相关文章
告别“炼丹玄学”：上海AI实验室推出首个大模型数据竞技场OpenDataArena
上海人工智能实验室OpenDataLab团队推出开放数据竞技场OpenDataArena，致力于将数据质量评估从“玄学”变为“科学”。它有数据评测榜单和完整可复现的数据价值验证体系，为多类需求提供解决方案，还开源了核心工具。
让64张卡像一张卡！浪潮信息发布新一代AI超节点，支持四大国产开源模型同时运行
浪潮信息发布新一代AI超节点“元脑SD200”，可让64张卡像一张卡。它支持四大国产开源模型同时运行，实现算力聚合突破，通过软硬协同优化提升推理性能，采用开放架构推动“智能平权”。
特工现场实录｜纳米 AI 如何构建 L4 蜂群系统？
纳米AI更新发布L4级多智能体蜂群系统，将“协作”能力写入Agent系统底层。该系统采用三层架构管理运行逻辑，通过协作空间与A2A通信协议配合，实测稳定性佳。平台降低开发门槛，后续规划聚焦多方向。
n8n接入Fastgpt MCP，丝滑构建超强RAG工作流【一键发布到公网】太绝了！
n8n是可让普通人快速、灵活搭建AI Agent工作流的开源平台。研究发现其用RAG搭建知识库较复杂，体验不佳。作者将Fastgpt知识库接入n8n，对接丝滑，RAG效果棒，还介绍了操作步骤。
看遍奥斯卡后，VLM达到电影摄影理解新SOTA｜上海AI Lab开源
上海人工智能实验室等推出ShotBench、ShotVL及ShotQA，ShotBench含超3.5k问答对，ShotQA约7万个问答对。ShotVL在ShotBench评测中表现出色，3B参数的ShotVL-3B增益达19.0%，超越GPT - 4o等。
Claude Code + Kimi K2全栈开发教程，1小时上线「"丑咪"挑战赛」！
作者分享用Cursor + Claude code + Kimi K2开发「丑咪挑战赛」全栈项目的体验，介绍组合优势、接入教程、前端测试案例和使用技巧，认为Kimi K2在agent和coding能力上表现不错，适合作为Coding模型。
从Manus热潮看中国科技出海：新加坡能否成最佳首站？
AI Agent 公司 Manus 将总部迁至新加坡，凸显其优势。白鲸开源创始人郭炜分享中国科技企业出海经验，对比 A、B 路径，分析中美市场差异，探讨中国软件市场优劣势，还阐述开源商业化及新加坡作为出海首站的价值。
夸克高考，背后藏着的其实是垂类场景「深度研究」方法论
夸克早在2019年就提供高考志愿填报服务，今年推出“志愿报告”功能。其“志愿报告”Agent已生成超1000万份报告，采用PDCA模式给出指导。夸克构建可信度体现在数据库和自研模型上，还降低了幻觉率。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
AI4Science 图谱，如何颠覆10年 x 20亿美金成本的药物研发模式
文章指出AI for Science让生命科学与数字互联网融合，加速科学发现。以四象限为框架，梳理了Biology Foundation Model、AI Scientist等玩家，介绍相关模型和公司，展示其对药物研发流程的重塑。