「Agent评测」共找到 3225 篇相关文章
Claude Sonnet 5 上线一日差评刷屏：打不过千问和 Minimax，性价比全面翻车
Claude Sonnet 5发布一天差评多。虽官方定位高，有能力亮点，但在中文测评中性价比低，测试成本高，且Max推理模式易过度思考。还因过度保守失去实用价值，其表现取决于使用场景和预算。
Sonnet 5 翻车！同性能价差最高 56倍，海外巨头为何复刻不出 DeepSeek？
Anthropic发布Claude Sonnet 5，官方称补足了Agent能力，价格优惠，但开发者反应不佳。Sonnet 5因tokenizer换代，实际使用成本更高，且比同类模型贵。与之相比，DeepSeek V4 Pro便宜很多，其靠技术实现低价，海外厂商难以复刻。
豆包 2.1 Pro：属于普通人的代码能力
作者分享用AI写代码的经历，指出豆包2.1 Pro强化Coding Agent端到端交付能力，成本低。还展示用它做的多个案例，如歇后语扭蛋机、文件整理工具等，认为其能解决日常问题，降低Coding门槛。
jina-embeddings-v5-omni 发布！全模态向量小模型
Jina AI发布`jina-embeddings-v5-omni`，将`v5-text`能力拓展到多模态。`v5-omni-small`参数量小却追平LCO - 7B，在多模态评测中表现优异，但视频是短板。其采用‘冻结 + 投影’架构，训练快、省显存。
Anthropic开源认知对齐MSM
大模型对齐、安全问题是行业大事，Anthropic开源的MSM对齐方法，能将Qwen3 - 32B的agent错位率大幅降低。它先给模型讲规则逻辑再微调，控制精度高，还研究了最佳实践，将改变大模型对齐流程。
百度文库网盘，押注工作流里的超级智能｜甲子光年
4月27日百度文库网盘在AI DAY发布通用智能体GenFlow4.0，展示融合OpenClaw新进展。它让AI介入办公软件，引入Agent参与团队协作，从单兵作战到全向协同，解决办公中间工作，靠数据、系统和用户验证构建系统工程。
罗振宇、张鹏、王立行等齐聚一堂，AIFUT大会Day1上午场的全面总结来了。
AIFUT大会首日上午，多位嘉宾分享观点。王磊谈亦庄如何拥抱AI；卡兹克称身份被重新定义，好奇心不可被定义；罗振宇认为人最后价值是告诉AI要什么；还有Tim、张鹏、谷大白话、王力行等分享见解。
「百万级」视频推理数据集！30+顶尖高校联合发布
AI视频生成已能「画得像」，但不会「想得对」。VBVR推出百万级视频推理数据集，首次系统评测模型对空间、物理、逻辑和抽象的推理能力，发现顶尖模型通过率仅68%，推动视频AI从「视觉模仿」迈向「智能推理」。
超20万个高质量Skills！浙大等联合推出SkillNet，告别孤立Skill实现自进化
浙江大学联合多家机构推出开源基础设施SkillNet，拥有超20万个高质量Skills。它能让AI智能体告别失忆式工作，将互联网资源和人类经验转化为可执行Skills，构建Skills网络，经严苛评测，在真实场景验证了强大实战能力。
让你的 ClaudeCode 秒变 Openclaw（龙虾），连接飞书、Discord 远程控制
作者用Vibe Coding开发Agent客户端Codepilot，将Claude Code桌面端功能拓展，支持飞书等IM远程连接等。还开源Claude-to-IM及Claude-to-IM-skill项目，前者适合开发者接入IM远程控制，后者可让Claude Code与IM远程交互。