「可扩展监督」共找到 4443 篇相关文章
Claude、GLM、GPT谁才是真正的AI软件工程师？首个持续更新Visual Spec-to-App Benchmark发布
近年来，Coding Agent 发展迅速，「AI 软件工程师」渐成现实。但目前缺少系统评测其从设计稿开发产品能力的公开 Benchmark。为此，多校研究团队推出 VISTA，可多维度评测 Coding Agent 开发能力，且持续更新。
Claude 和 Manus 还要人工搭框架？小米直接让 Agent 自我进化
6月12日小米Darwin Agent Team发布论文《HarnessX》，用“系统自进化”终结Harness人工调优时代，带来性能跃升。其让Harness成为“一等公民”，有可组合等特质，还能与模型协同进化，虽有局限但成热门方向。
具身智能的Skill时刻！英伟达开源机器人技能库，Jim Fan：范式变了
英伟达开源能让机器人持续成长的技能库ASPIRE，类似机器人版Coding Agent，会沉淀机器人操作经验。英伟达机器人主管Jim Fan称其代表全新持续学习范式，论文实验验证其效果好于此前方法。
终于轮到 AI 上夜班了，我去睡
Qoder 推出 Qwen3.7-Max 和 Qwen3.7-Plus 错峰折扣，白天 08:00 到 22:00，Qwen3.7-Max 5 折；22:00 到次日 08:00，Qwen3.7-Max 2 折，Qwen3.7-Plus 4 折。作者测试后认为适合内容创作者，还给出使用建议。
横扫八大数学竞赛：清华微软联合提出STAR-PólyaMath，Apex基准超GPT-5.5 13.5%
清华大学与微软亚洲研究院团队提出推理多智能体系统 STAR - PólyaMath，构建探索 - 推理 - 验证框架，解决大模型长程数学推理瓶颈，在八大数学竞赛基准获最优成绩，还可泛化到其他推理场景。
CVPR 2026 | 1000万段驾驶视频，教会模型如何估计相机位姿
Wayve的LA - Pose研究，不依赖百万级3D标注，从约1000万段未标注驾驶视频自监督学习‘潜在动作’，再用少量3D标注微调，转化为相机位姿估计能力，在多基准上提升精度且泛化能力强。
龙虾之父教你省钱：开源Skill给你的Skill减肥
Skill水平参差不齐，龙虾之父Peter看不下去，写了给Skill做体检的Skill并开源。该技能有5个核心功能，能审计预算、检测重复等，还给出精简描述的方法，可节省提示词预算。
Harness Engineering: C 端 AIGC 内容生产自优化实践
文章介绍蚂蚁保保险快查深度解读页面生成系统（DIPG），它将Harness思想用于C端AIGC生产链路。DIPG采用‘离线生成+校验+刷入DB’模式，解决LLM实时生成时延和质量问题，还阐述多Agent协作、校验机制及回灌流程等。
全球排名前三，复旦自进化Harness Engineering让GPT‑5.4再涨7个点
2026 年以来，Harness Engineering 成业界热词。复旦大学等团队提出 Agentic Harness Engineering (AHE)，可实现 Harness 自动优化。实验中，AHE 让 GPT - 5.4 分数提升，适配 GPT - 5.5 后排名全球第三，且有良好泛化能力。
Claude上线Prompt缓存诊断功能，终于不用盲猜token成本暴涨的原因
Claude宣布Prompt缓存诊断功能登陆控制台，可解决缓存失效排查痛点。此前开发者排查效率低，新功能能显示变动位置与token损耗。目前处于beta阶段，介绍了使用方法、支持的失效原因及功能限制等。