「智能体评测」共找到 3881 篇相关文章
斑马智能进化论：从一家智能座舱供应商，到重新定义“汽车智能”的AI公司｜甲子光年
2026北京车展，智能化从“配置竞争”走向“系统竞争”，AI Agent成智能座舱主流。斑马智能完成两次身份转换，推出元神AI汽车机器人大脑等，还与支付宝合作，试图重新定义“汽车智能”。
具身智能算法哪家强？RoboChallenge见真章！全球首个大规模真机算法评测平台来了
Dexmal原力灵机联合Hugging Face推出RoboChallenge项目，它是全球首个大规模、多任务的真实物理机器人基准评测平台。该平台创新采用‘远程机器人’架构，有30项真实任务基准集等，已验证多种算法表现。
评测也很酷，Data Agent 自动化评测的三层框架与实战
在大模型技术飞速发展下，评估应用效果成难题。字节跳动尹小明分享自动化评测技术，提出三层评测框架，还介绍 Text - to - SQL 及深度研究评测改进，以及评估平台建设，最后展望自动化评测未来方向。
智能体时代的人月神话
作者 Wes McKinney 因 AI 打乱睡眠作息，在工程师圈子热烈讨论人类技术优势。他开发 RoboRev 工具，结合《人月神话》探讨软件工程未来，指出智能体虽提升生产力，但面临本质复杂性、范围蔓延等问题，设计与品味仍至关重要。
DeepEval：LLM 应用评测不再玄学，让大模型评测像写单元测试一样简单
在大模型应用开发中，科学、自动化评测 LLM 输出质量是难题，人工评测效率低。DeepEval 是 Confident AI 团队开源的 LLM 评测框架，能用极简代码让评测像写 pytest 一样自然，内置多种评测指标，支持批量评测等。
成本降70%！清华、阿里通义带来智能体长程任务新解法
AI智能体处理长程任务常遇上下文超载问题。清华与阿里通义研究人员提出MemPO算法，赋予大模型主动管理记忆能力，准确率提升，计算资源消耗降近七成，不过评价机制有局限。
Generalist爆火背后：具身智能真正的竞争，已不在模型
Generalist AI发布的GEN - 1模型引爆具身智能领域，其多项指标出色，预示具身智能竞争从模型层转向基础设施层。行业关注焦点转移，数据正从‘静态数据集’演进为‘动态教育系统’，评测与仿真基础设施成关键。
智能流体力学青年学者论坛第二十六、二十七讲 | 国防科技大学陈新海、北京航空航天大学张天汉
智能流体力学青年学者论坛第二十六、二十七讲分别由国防科技大学陈新海、北京航空航天大学张天汉开讲。陈新海介绍智能网格生成研究进展，搭建科学计算智能体平台；张天汉提出ChatCFD方法，提升CFD可及性。
ICRA 2026｜NUS邵林团队提出T(R,O) Grasp：刷新跨智能体灵巧抓取SOTA，实现5FPS动态环境交互
新加坡国立大学邵林团队提出T (R,O) Grasp，这是基于物体—机器手空间关系建模的图扩散架构，有跨智能体统一表征能力，在多种智能体上平均抓取成功率达94.83%，刷新跨智能体灵巧抓取SOTA。
智能体系统如何「边做边学」？斯坦福团队探索在线优化的新范式
斯坦福等校团队提出 AgentFlow 框架及 Flow - GRPO 算法，让智能体系统能「边做边学」。它由多个智能体模块协作，在多领域基准测试中表现出色，小模型也能超越大模型，为智能体训练提供新思路。