「评测环境」共找到 1070 篇相关文章
Agent 开发范式演进：从环境工程出发，“简化”多源实时上下文
本文整理自阿里云沈林在2026中国生成式AI大会分享。探讨企业级Agent落地瓶颈，指出关键在上下文供给能力，围绕信息完备性等五维度，介绍EventHouse如何让Agent接入业务环境，强调构建上下文体系重要性。
MongoBleed 漏洞允许攻击者从 MongoDB 的堆内存中读取数据
MongoDB 修补 CVE - 2025 - 14847（MongoBleed）漏洞，该漏洞 CVSS 得分 8.7，可被未认证攻击者远程利用致敏感数据外泄。此漏洞由 zlib 压缩网络流量处理不当触发，影响 2017 年后版本，部分云环境和服务器有风险。
Feed-Forward 3D综述：三维视觉如何「一步到位」
这篇由12所机构联合撰写的综述论文，总结2021 - 2025年间数百项创新工作，建立Feed - Forward 3D方法谱系与时间线，介绍五大技术分支、应用场景、评测指标与结果，还指出未来挑战与方向。
LangChain官方实测：多智能体架构怎么选？
构建AI Agent时，单智能体应对复杂场景易“变笨”且难维护。LangChain官方评测主流多智能体架构，在复杂零售场景实验，对比单智能体、Swarm、Supervisor架构的性能、成本，还给出优化Supervisor架构的方法。
OpenAI挖到最新菲尔兹奖得主，字节刚出炉的科学家计划在瞄准谁？
今年菲尔兹奖得主之一Jacob Tsimerman将入职OpenAI安全部门。当下顶尖科学家流向头部大模型公司，AI与前沿科学融合成趋势。字节发布Seed STEM科学家计划。大模型下半场比拼基础研究，构建评测基准很重要。
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
明明程序员这个岗位是很适合女性，可女程序员数量怎么这么少？
文章指出程序员岗位适配女性，如靠脑力、环境好、重实力等。但现实中女程序员少，原因包括从小被贴标签、职场存在隐形歧视、家庭责任的阻碍，呼吁职场兼顾理性与感性。
让视觉语言模型像o3一样动手搜索、写代码！Visual ARFT实现多模态智能体能力
上海交大等团队推出多模态智能体训练方法 Visual-ARFT，让视觉语言模型有「工具智能体」能力，还开源项目。它能自动调用工具、拆解任务，团队构建 MAT-Bench 评测，其在多任务超 GPT-4o。
Coding Agent 自主解题很强，但用户改一行代码就"翻车"？自所团队提出 SWE-Touch 揭示共享工作空间下的能力缺口
当前基于大模型的Coding Agent是热门研究方向，现有评测多假设其独占代码仓库。中科院自动化所团队构建SWE - Touch框架，对9个前沿模型测试，发现用户干预下模型性能下降、排名洗牌。
长程任务飙升98%，斯坦福Skill原生LLM来了
普林斯顿、CMU、斯坦福、牛津等提出Skill-Native大模型，提出Skill Entropy度量技能切换难度，搭建Skill²-Bench评测，还将熵用作训练信号提出Skill-Entropy RL，提升多模型准确率，且技能熵可复用。