「自动评测体系」共找到 1694 篇相关文章
告别黑箱解释！首个潜变量自动解释框架 | CIKM'25
深度生成模型内部运作如「黑箱」，潜变量意义难捉摸。埃默里大学团队提出LatentExplainer框架，经数据扰动、智能提示、不确定性评估三步，为潜变量生成易懂解释，提升模型解释质量与可靠性。
Google推出 AI 科学家：自动编写专家级代码，40个新方法碾压人类 SOTA
Google新发布的AI系统能编写科学软件、发明新方法，结合大语言模型与树搜索技术。在生物信息学、流行病学等多领域超人类最优水平，引发网友对科研影响的讨论。
手机“自动驾驶”时代来了，智谱还让手机拥有“云替身”
作者参加智谱AutoGLM新版本闭门会并试用，该版本亮点多，如成全球首个手机通用Agent，操作在云设备运行，全平台覆盖等。云手机Agent能力稳定高效，能处理多类任务，还可助老人等群体用手机。
AI能否独立开展科研？ASI-Bench为科学自主性建立评测标尺
ASI-Bench是衡量AI系统科学自主性的基准测试，由多机构联合开发。它能测试AI通用智能、创新性和执行力，通过信息梯度设计，让模型在不同指导量下完成科研任务，结果显示当前AI离自主科研有明显距离。
大规模工程支撑场景下的多智能体系统设计：Grab 实践案例
Grab分析数据仓库（ADW）团队推出多智能体AI系统，处理数据仓库故障排查等工程请求，减少重复性运维。团队搭建多智能体架构，整合工具生态，考虑安全治理，解决上下文管理挑战，提升工作效率。
真是天才！有人把做软著做成了skill，自动生成全套软著申请材料
介绍了SoftwareCopyright - Skill，它能一键生成符合软著申报要求的源代码文档和用户操作手册，全链路自动化，功能特点多，如真实代码抽取、智能合规排版等，还给出项目链接。
Qoder @database功能上线！自动关联数据库 Schema，后端 AI Coding 效率拉满
Qoder JetBrains插件上线@database功能，将数据库能力内置为核心上下文，可一键让AI结合真实业务表结构处理SQL编写等任务。它是JetBrains上唯一深度支持“数据库原生感知”的AI Coding插件，还介绍了使用方法、场景及注意事项。
自动生成n8n工作流！这个神级开源方案，绝了～
文章分享全自动构建n8n工作流的方案，核心是开源项目n8n - mcp，它是AI Agent的n8n外挂知识库，能让AI深度理解和使用n8n。文中介绍其安装、使用，还展示不同难度案例的生成效果。
BrowseComp等评测集第一，秘塔推出「深度研究」，已开启免费公开访问
世界变化快，AI领域新概念不断。秘塔在上线“浅度研究”五个月后，将其升级为“深度研究”。该模块最初由OpenAI推出，秘塔版可免费公开访问，准确率优，还让研究过程可见。
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
北京大学DS - Lab发布ScholarSearch，这是评估大语言模型学术检索能力的数据集，含223道高难度题目。评估显示现有模型表现欠佳，纯推理模型准确率低，有搜索功能的模型虽有提升但仍不足。