「结构化评估」共找到 1779 篇相关文章
颜水成领衔，给AI分段位！超100款多模态模型，无人达到L5
十所顶尖高校联合发布General - Level评估框架和General - Bench基准数据集，用五级分类制明确多模态通才模型能力标准。评估超100款模型，发现多数在L2 - L3，无L5模型，揭示当前模型不足。
我们离Coding领域的「AGI时刻」还有多远？字节跳动Seed发布NL2Repo-Bench仓库级长程代码生成基准
在AI编程领域，大家认为Coding领域的AGI似乎可以实现，然而真正的项目开发要求更高。近日，字节跳动Seed等联合发布首个评估编码智能体端到端仓库生成能力的基准测试NL2Repo - Bench，还介绍了其构建、评估等情况。
Issue修复开源No.1！蚂蚁 | 提出代码图模型：CGM，结合GraphRAG架构，领先最强开源7.33%
为解决开源模型在仓库级代码理解上的能力瓶颈，蚂蚁全模态代码算法团队提出 CGM 架构，融合仓库结构与语义信息。CGM 首创图结构与语言模型融合的对齐框架，还搭配了 GraphRAG 框架，在多个代码任务中表现出色，且相关资源均已开源。
开源半自动化交互工具
Automat 目标是半自主玩各种游戏，是构建通用计算机交互环境首步。目前功能限于键盘宏录制和回放，不稳定。它是进行中的项目，路线图有激进新功能。文中介绍下载、运行方法及项目地址。
突发！Claude Code 要彻底龙虾化
Claude官方宣布支持Telegram或Discord消息渠道，后续可能接入更多。Claude Code新增Channels功能，Cowork新增Dispatch功能。不过Anthropic要构建类似OpenClaw版本，还有差距。
公众号正在头条化
2025年超60%公众号运营者发现，粉丝被算法收归平台。从2020年起，订阅号改成信息流展示，推荐流量占比最高达90%。这对小号是机遇，但也带来内容陷阱等问题，还重塑用户认知，平台也面临商业和生态的博弈。
思维外包化！AI正在“废掉”我们的大脑
当下“AI是否会抢走工作”讨论火热，亚马逊CEO称重复性岗位将被取代。但更危险的是，对AI过度依赖或“废掉”大脑，催生“思想懒汉”，在教育领域体现尤令人担忧。
上下文工程又进化了：Harness实现AI完全自主化
近期Harness Engineering讨论火热，Harness是围绕AI模型的支撑架构，Anthropic用其突破AI局限，解决AI完成复杂任务时的偷懒问题，还通过多智能体架构用于前端设计、软件开发，经实战检验效果良好，后续还对其进行简化。
从Demo到行业落地的Agents：技术、应用与评估
通用LLM Agent工业落地有短板，哈工大深圳与华为提出L1 - L5工业Agent能力成熟度框架，映射技术演进与产业场景，覆盖50+行业案例、300+评测基准，给出可量化‘爬级’路线。
从Vibe Coding到Harness—— 一套大仓AI工程化实战
这是腾讯后端微服务与前端微应用大仓的 Harness 实战分享。介绍了 TAB 工程背景、Harness 组成部分，阐述阶段划分、Agent 演进等，还提及人工关卡、门禁脚本等要点，总结了经验与限制。