「智能体评估」共找到 4035 篇相关文章
神隐许久的光年之外，造了款AI浏览器Tabbit，能打吗？
浏览器成AI落地重要战场，巨头纷纷布局。光年之外推出Tabbit AI浏览器，集多种功能于一体，深度融合AI能力，已开启公测。实测其功能实用，虽有不足但已改变使用习惯，AI浏览器或重塑人与信息关系。
特朗普刚下禁令，美军动用Claude空袭！军用版或已达Opus 5.5水平
WSJ报道，特朗普刚封杀Claude，美军就用其空袭伊朗。美军多司令部用Claude做情报评估等。Anthropic为军方定制版或达Opus 5.5水平。Anthropic曾因隐私等问题与五角大楼谈判破裂。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
千星项目LLMRouter：多模型路由，16+策略优化推理
UIUC开源智能模型路由框架LLMRouter，可自动为大模型应用选最优模型，有16+路由策略。该框架打通训练、评测等链路，解耦Route与Training模块，支持多轮协同等，还可插件式扩展。
登顶Hugging Face论文热榜，LLM重写数据准备的游戏规则
企业数据团队面临数据准备难题，传统方法依赖人工规则，有诸多局限。上海交通大学等机构研究团队综述指出，LLM正推动数据准备从“规则驱动”向“语义驱动”转变，还给出技术选型、评估基准及工程指南。
大模型微调评测入门：看懂这些指标，才知道模型好不好
文章指出大模型微调中很多新手重“调”轻“评”，评测是决定模型落地的关键。介绍分类和生成任务评测指标，给出实操步骤，还说明如何综合判断模型好坏，最后展望评测技术朝自动化等方向发展。
LLM时代的事件抽取：从静态任务到认知脚手架
此综述论文探讨LLM时代事件抽取价值，认为其未被削弱，应视为“认知脚手架”。它系统梳理任务分类、方法演进等，还提出六大未来研究方向，指向将其演化为智能感知与记忆层。
100万辆“斩杀线”出现，2026年中国智驾进入淘汰赛｜甲子光年
2025年中国智能驾驶行业进入规模与交付主导阶段，100万辆成为2026年智驾行业‘斩杀线’。华为已跨过‘安全区’，地平线、卓驭等构成一线梯队。毫末智行等公司因技术与交付问题出局，行业竞争更残酷。
奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识
2026年，AI竞争焦点从Scaling转向记忆。奥特曼押注记忆，预计ChatGPT产品线未来一年有进展。AI记忆能力成新共识，提升其记忆成巨头竞争核心，不过距完善记忆系统还远。
4 个月 3000 万美金 ARR，做 AI 评测榜单的 LMArena 为何值 17 亿美金
AI评测产品LMArena半年前种子轮获1亿美金，现完成超1.5亿美金A轮融资，估值达17亿美金。其核心产品Chatbot Arena可对比AI模型回答并构建榜单，公布的数据或解答了其估值高的疑问。