「智能体评估」共找到 4023 篇相关文章
给视频模型建一座「全能训练场」：300项任务、可验证奖励，VBVR-Pro系统探索视觉推理
针对原生视觉推理缺少完整训练评估基础设施的现状，NTU等多校联合推出VBVR-Pro系统，构建了从任务构建、模型训练、能力评测到强化学习优化的完整闭环，论文、数据、代码均已公开。
快去提问！沐神空降小红书，在线答疑
本文整理了深度学习大牛李沐（沐神）在小红书开展的AMA答疑内容，覆盖AI学习、职业方向、技术趋势、行业赛道等大众关心的热门问题，给出了直白干货的回答，适合AI从业者、学生参考。
陈大年复出，入局大模型
国产大模型领域黑马StartLux-V1.0-27B-Preview，参数量仅27B，在信通院MCP测试中排综合第二，仅次于1.6万亿参数量的DeepSeek-V4-Pro。其创始人陈大年押注本地模型，公司专注该领域商业化。
基于阿里云 AgentLoop 的 DeepSeek Harness 评测实践
本文分享基于阿里云 AgentLoop 平台的 DeepSeek Harness 评测实践。介绍了 DeepSeek Harness 工程架构，阐述 AgentLoop 平台接入方式及价值，还详述评估器设计思路、展示评测结果，最后总结方法论并展望后续工作。
10.2k星！Firecrawl开源PDF解析神器，大幅降低OCR成本
处理PDF时，若全用OCR成本和延迟会增加，直接提取文本又易遇乱序、乱码等问题。Firecrawl开源的pdf - inspector工具能智能区分扫描版和文本版PDF，按需使用OCR，精准处理。
Qwen3.8-Max：编程与办公，全面跃升
今日正式发布Qwen3.8-Max，下周将开源其及Qwen3.8 - 27B模型权重。它参数达2.4万亿，在多方面全面提升。开发者可通过千问AI平台获API服务，性价比高。在编程、办公等场景表现出色，用户反馈良好。
Claude Opus 5 发布，比 Fable 5 强，仅一半价格
Claude Opus 5发布，官方称其以一半价格提供接近Fable 5的智能。跑分显示它多数项目超Fable 5，ARC - AGI - 3成绩突出，还更省token，是Anthropic迄今对齐度最高的模型。
70万辆车同步升级，背后那套系统藏了六年
超70万蔚来和乐道车主收到最新版世界模型推送更新。蔚来用一套代码覆盖多品牌、多平台、多芯片、多传感器车型，其技术体系复杂，从2020年起搭建，六年未改底层逻辑，如今效果显现。
2026年必须搞懂的20个 Agent 工程概念（运行机制篇）：大白话一次讲清。
文章聚焦Agent工程运行机制，介绍20个核心概念。如Agent与ChatBot区别在于会‘做’；Harness是模型运行框架；Execution Model决定思考行动范式等，还给出各概念工程实践建议。
从「时域建模」到「频域融合」：中山大学团队为传感器人体活动识别提供新思路 ｜ TPAMI 2026
中山大学团队在IEEE TPAMI发表研究，用“三重频域融合”（TSF）框架突破传感器人体活动识别（HAR）领域核心瓶颈。该框架从三个全新“视角”审视问题，经多数据集评估表现出色。