「自动化评测」共找到 1070 篇相关文章
刚刚，阿里官方认领神秘「欢乐马」，来自ATH郑波团队
周二晚间，AI评测平台Artificial Analysis上，‘欢乐马’空降榜首引热议。现阿里官方认领，它是ATH郑波团队模型，正内测，近期将开放API。其在多项排行榜表现出色，支持四种视频生成模式。
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
再不怕乱引文献！绕过付费墙，BibAgent把学术核验转为证据链
大模型生成学术论述，其引用验证成难题，尤其付费墙后论文难以核验。BIBAGENT突破此困境，不破解付费墙也能验证引文语义真伪，还构建MISCITEBENCH评测，表现优异，为科学写作补“可审计基础设施”。
5.2万星项目Ghostty逃离GitHub！
广受欢迎的开源终端Ghostty将离开GitHub，其创造者Mitchell Hashimoto称GitHub故障频发，严重妨碍工作。此事引发开发者共鸣，有人剖析原因指向运营策略和AI自动化泛滥，也让其他开发者心生去意。
Claude Code 的创始人揭秘工作流程：开 5 个智能体“玩编程游戏”，不看的程序员就落后了？
Anthropic公司Claude Code创始人Boris Cherny在社交平台分享工作流程，引发行业关注。他并行运行5个Claude智能体编程，用最大最慢模型Opus 4.5，还解决AI“健忘症”，实现重复性任务自动化。
AI安全的过去与未来：从大模型到智能体 | 预约
业界提升前沿AI模型和智能体安全性，常用安全评测和‘安全对齐’技术，但未真正解决风险。本次分享将介绍‘内生安全’探索成果，还公布了相关论文信息，刘东瑞等嘉宾将参与。
分割一切、3D重建一切还不够，Meta开源SAM Audio分割一切声音
Meta 深夜放出音频分割模型 SAM Audio，可通过多模态提示分离任意声音。其核心 PE - AV 推动性能领先，还发布评测模型、基准等，整合进新平台，虽有局限但为音频 AI 带来新可能。
AI 性格失控等诡异现象，终于有了科学解释
Anthropic新研究发现控制语言模型「性格特征」的人格向量，解释AI恶意、谄媚等现象。研究开发自动化流程生成向量，通过实验验证其对模型行为的控制，还有监控、防护等功能，不过也引发争议。
微软又搞大新闻：GitHub Copilot 开源，VS Code 要变天了。
微软官宣将把 GitHub Copilot Chat 扩展代码开源，重构相关组件到 VS Code 核心，使其成开源 AI 编辑器。还推出 Coding Agent，能自动化处理多种开发任务，目前在 Copilot Pro Plus 版本预览。
EvoSkills：自进化的skill，是好skill
文章分享两项Agent Skill最新研究论文，指出智能体技能从手工制作向自动进化转变。介绍EvoSkills和EvoSkill两种自动化Skill进化方案，对比其机制、验证方式等，还提及未来研究方向。