「智能体评测」共找到 3944 篇相关文章
看遍奥斯卡后，VLM达到电影摄影理解新SOTA｜上海AI Lab开源
上海人工智能实验室等推出ShotBench、ShotVL及ShotQA，ShotBench含超3.5k问答对，ShotQA约7万个问答对。ShotVL在ShotBench评测中表现出色，3B参数的ShotVL-3B增益达19.0%，超越GPT - 4o等。
全模态RAG突破文本局限，港大构建跨模态一体化系统
香港大学黄超教授团队开源多模态智能处理系统RAG - Anything，突破传统RAG技术单一文本局限，整合多模态文档解析等核心能力，解决现有RAG系统痛点，具备多方面技术亮点，有便捷部署方式和多场景应用模式。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。
一分钟做3D音符版“跳一跳”，Flowith成通用Agent新“必玩王者”丨TIP 003
Flowith作为较早出海的AI产品，以自由画布+通用Agent组合出圈。其Neo版本技术功能强，产品服务有亮点，如不限DeepResearch任务、以人为主的智能代理、回答速度快等，虽有不足但未来值得关注。
狂揽20.2k星！还在傻傻的写SQL吗，那你就完了！这款开源项目，让数据分析像聊天一样简单？再见吧SQL
开源项目PandasAI让数据分析像聊天一样简单，由Sinaptik AI团队打造，将ChatGPT级自然语言处理能力注入Pandas。它有对话式分析、智能图表生成等亮点，适用于多场景，还给出使用步骤及与同类工具对比。
协和4+4的另一面：浙江范式用AI定义医疗未来！AI「智愈」时代来临
一场关于协和“4+4”的热议引发医疗未来之问，浙江从医院、企业、政府三重维度，以浙大二院、德适生物、安诊儿等为例，展示AI在医疗领域的应用，构建未来医疗图景，推动医疗从“治病”走向“智愈”。
基础杂活全被一键秒杀，还要初级员工干嘛？Google Research负责人：以往熬15年的判断力，现在一出道就得硬抗
本文为Google Research全球研发副总裁Yossi Matias的官方播客访谈，分享了Google在生成式AI、AI加速科研、行星级智能、量子计算等前沿方向的探索，探讨AI替代基础工作后对人才能力要求的变革。
刚刚，全球最强GPT-6 Astra来了！人类进入AGI时代
OpenAI官宣下一代旗舰模型GPT - 6 Astra，定义其为「世界上最智能、对齐程度最高」的模型。它多项基准测试成绩惊人，在编程、计算机使用等多领域表现卓越，还改写科研纪录，不过因安全能力强暂未全开放。
Gemini 3.8，明日登场！
最新爆料，Gemini 3.8 Flash明日登场，谷歌已放弃Gemini 3.5 Pro。其编程实力强悍，之前还为Gemini植入智能体视频理解功能，降本提效，可应对多种高难度场景。近期多家AI发布计划撞车，混战升级。