「智能体基准」共找到 4131 篇相关文章
AI"学霸"也解不出高中题？耶鲁、复旦发布MMSciBench，揭示AI理科推理能力短板
耶鲁、复旦等推出MMSciBench评测基准，揭示主流模型复杂科学推理短板。它有高质量数据、多模态多题型测试和精细知识分类体系。测试发现模型图文融合及推理能力弱，英文推理或效果更好。
马斯克Grok 4正式发布：世界最大AI超级计算机就训练了这？
Grok 4公开基准测试有进步，但在高级推理测试表现差，视觉理解仍是短板。性能提升多靠整合符号工具，无重大技术创新，‘幻觉’问题没实质进展，xAI官方对道德对齐信心不足。
伯克利最强代码Agent屠榜SWE-Bench！用Scaling RL打造，配方全公开
开源软件工程模型DeepSWE横空出世，基于Qwen3 - 32B，仅用强化学习训练，以59%准确率刷新SOTA。它采用rLLM框架、R2E - Gym环境，用改良GRPO++算法，还介绍了评估策略及训练挑战的解决办法。
5Y News｜首形科技完成Pre-A轮融资
6月26日首形科技宣布完成Pre - A轮融资，由招商局创投、深创投领投。创始人胡宇航长期研究机器人相关方向，其成果构成产品技术起点。公司有三大技术体系，还提出类人共情价值，欲引领机器人情感觉醒时代。
2025 AI Cloud 100 China榜单发布：6个赛道，34家新上榜，DeepSeek、Manus上榜
6月22日，靖亚资本等发布2025 AI Cloud 100 China榜单，聚焦GenAI商业落地企业。还发布行业趋势报告，总结融资、技术等情况，预测未来五大趋势，如AI应用从Copilot升级到Autopilot等。
刚刚，首个能在机器人上本地运行的具身Gemini来了
谷歌DeepMind推出Gemini Robotics On-Device，这是首个可部署在机器人上的VLA模型，无需联网，能让机器人适应新任务和环境。还将发布SDK助开发者评估。此外，谷歌下调Gemini免费额度，推出图像生成模型Imagen 4和Imagen 4 Ultra。
百文心快码正式发布AI IDE，首创设计稿一键转代码、支持MCP
6月23日，百度副总裁陈洋发布文心快码独立AI原生开发环境工具Comate AI IDE，是行业首个多模态、多智能体协同的AI IDE，首创设计稿一键转代码，亮点多、功能强，适配开发场景。
Claude与人类共著论文，苹果再遭打脸！实验黑幕曝光
苹果一篇质疑大模型推理能力的论文引发争议。Open Philanthropy研究人员联手Anthropic发表论文，揭露苹果论文三大缺陷，指出部分测试无解却让模型“背锅”，还给出正确评价大模型推理能力的方法。
GitLab 18.0 发布，引入 AI 编码助手
GitLab发布自托管DevSecOps平台18.0版本，为Premium和Ultimate档引入更多AI功能，如代码建议、智能聊天、自动代码分析等，还在性能、安全、管理等方面有改进，部分用户升级遇问题。
面壁MiniCPM4端侧模型发布：长文本推理 5 倍提速，0.5B 模型拿下新SOTA
2025智源大会，面壁发布MiniCPM4.0端侧模型，含8B稀疏闪电版与0.5B款。其采用InfLLM架构，实现长文本推理5倍提速、最高220倍加速，还在性能、部署等方面优化，适配多芯片与框架。