「学术搜索评测」共找到 1168 篇相关文章
Anthropic 官方：Genspark 是如何构建 Agents 的？
Genspark借助Claude打造自适应AI Agents，突破传统搜索工作流限制。其Super Agent以Claude为核心，实现动态协调，变革用户创造和研究方式，带来显著商业影响，揭示AI开发新原则。
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
近日，智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，打破具身智能演进制约。
突发！NeurIPS限制华为等实体机构投稿
NeurIPS官方文件显示，因遵守美国制裁及贸易限制规定，禁止接收受制裁机构投稿。经查询，华为等873家国内实体在受制裁名单中，此消息在国内AI学术圈引发热议。
GPT-5.3 Instant上线：ChatGPT终于不说教了
3月4日OpenAI更新GPT - 5.3 Instant，它重点优化为更准确、少尴尬，情商更高废话更少，联网搜索和写作能力增强，幻觉率降低。还提到GPT - 5.4已泄露，功能强大且将很快到来。
打造图像编辑领域的ImageNet？苹果用Nano Banana开源了一个超大数据集
苹果研究团队提出Pico - Banana - 400K数据集，基于Nano - Banana在OpenImages实拍照片生成编辑对。其系统化设计保证质量与多样性，还构建自我编辑评估流程，为图像编辑模型训练评测奠定基础。
openJiuwen社区开源新招：重磅发布JiuwenSwarm，拉开群体智能“养蜂”序幕
openJiuwen社区开源蜂群智能体JiuwenSwarm，落地Coordination Engineering范式。它有全栈技术体系，支持人以HOTS和HITS模式参与协同，实战效果佳，且在评测中表现亮眼，全套能力开源。
ICML暴力清场，497篇论文一夜作废！审稿人偷用AI惨遭全拒
ICML 2026爆出大消息，497篇论文因审稿人动用AI未标注被“桌拒”，占总投稿量2%。ICML祭出“连坐”惩罚，引发争议，有人质疑检测不靠谱，也有人支持维护学术规则。
Karpathy Vibe Coding整新活：Agent版「GitHub」问世
最近，Karpathy 玩 Vibe Coding 上瘾，上周末开源项目让 AI Agent 自主实验，10 多小时前又开源「agenthub」，这是 Agent - first 协作平台，可理解为极简版 GitHub，还能用于构建自治学术体系。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。