「智能体评测」共找到 3935 篇相关文章
Agent能自己“复盘”和“进化”，这个开源框架牛了！
文章介绍了自进化AI，其核心是执行、评估、进化的反馈循环，能自动修改Prompt和工作流。还讲解了SEW、TextGrad等优化器原理，并以SEW为例展示逻辑，最后推荐开源框架EvoAgentX。
Agent+Code，打开AI开发新范式
当下企业级AI叙事逻辑转变，传统AI应用有瓶颈。京东云在JDD 2025大会提出“深度应用”理念，推出“Agent+Code”新范式，其包含JoyAgent 3.0和JoyCode 2.0，还通过开源引领行业创新。
LeCun团队开源首个代码世界模型：能生成代码还能自测自修！传统编程模型一夜成古典
Meta FAIR推出全球首个代码世界模型CWM，它能生成代码、理解语义，还‘懂得’代码执行，能模拟运行过程。在多个代码与推理任务表现出色，开源代码、训练细节等，不过目前仅支持Python。
付不起1.5万元工资被起诉后，这家自动驾驶企业开始“破产清算”！创始人曾打造“全球Robotaxi第一股”前身
近日，L4自动驾驶企业中智行破产清算申请被受理。因其付不起1.5万元工资，且涉多件执行不能案、资不抵债。其创始人王劲影响力大，中智行曾转型车路协同，如今却走向破产。
首个基于 MCP 架构的低代码 RAG 框架
检索增强生成系统复杂度提升，科研人员面临高昂工程成本。清华大学等联合推出 UltraRAG 2.0，基于 MCP 架构，降低复杂 RAG 系统技术门槛与学习成本，支持低代码构建复杂系统。
OpenAI盯上苹果开发者生态，吞了家AI编程公司
OpenAI收购AI编程初创公司Alex，其产品是苹果Xcode量身定制版Cursor，集成智能助手到Xcode。此前OpenAI宣布GPT - 5内置于Xcode 26，收购或为与Anthropic竞争。
OpenAI和Anthropic罕见互评模型：Claude幻觉明显要低
OpenAI和Anthropic罕见合作，互相授予API权限评估模型安全与对齐情况并发布报告。双方派出多模型参与，从指令层次、越狱、幻觉、欺骗策略等方面评测，呈现各模型优缺点。
一场「狼人杀」，考倒了一堆大模型
南开大学等机构设计 InMind 评测框架，在 Avalon 游戏对 11 个前沿大模型测试。多数模型停留在表层模仿，仅少数推理增强模型有初步‘风格敏感性’，未来人机交互应关注‘像不像’。
全球开源大模型，前十五名全是中国的
近日，随着新一代大语言模型更新，开源大模型成热门话题。Design Arena排行榜上，若设定为“开源”，前15名均为国产开源大模型，排名第一的是DeepSeek - R1 - 0528 ，智谱、阿里等厂商多款模型上榜。
“神经-符号”融合规划器性能显著超越o1：借鉴人类运动学习机制｜中国科学院磐石研发团队
中国科学院磐石研发团队提出新型“神经 - 符号”融合规划器，融合神经与符号规划系统优势，借鉴人类运动学习机制构建双向规划机制，在规划覆盖率和效率上显著超越OpenAI o1，已加入“磐石·科学基础大模型”。