「自动化评估」共找到 1147 篇相关文章
OpenClaw Skill × DuckDB：一个会自动进化的电商销售分析预测是怎么炼成的
文章介绍 OpenClaw Skill 系统，给 AI 操作手册让其做事，还引入 DuckDB 解决大数据分析慢问题。以电商销售分析预测为例，展示两者结合实现自动化数据分析迭代闭环，使模型预测更准。
Seedance 2.0之后，又一中国视频模型SkyReels-V4登上全球第二
昆仑天工发布SkyReels V4视频大模型，在Artificial Analysis Arena基准测试中排全球第二。它支持多模态输入、音视频同步生成等，采用独特架构与技术，经多阶段训练，有全新评估基准，表现出色。
6款小游戏难倒所有顶级VLM！愤怒的小鸟让它们全军覆没，性能不如随机猜测
淘天集团未来生活实验室提出首个系统性评估多模态大模型（VLM）交互式物理推理能力的综合基准DeepPHY。它集成六个物理环境，对17个主流VLM测试，揭示其在物理交互等方面短板。
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
榨干Codex！OpenAI工程师亲授Codex真正用法
OpenAI客户支持工程师Jason称，Codex不只是编程助手，而是完整电脑工作系统。通过持久对话流留存记忆、语音输入精准表达、自动化接管任务等，能让机器高效完成各类工作，人还可随时干预。
太卷了！专属Coding的新一代Arena榜单来了，有国产模型登上榜首
大模型编程竞争激烈，编码能力提升成军备竞赛。LMArena发布新世代大模型编码评估系统Code Arena，国产模型智谱GLM - 4.6登上榜首，其编码能力获认可，彰显国产大模型硬核实力。
Agent能自己“复盘”和“进化”，这个开源框架牛了！
文章介绍了自进化AI，其核心是执行、评估、进化的反馈循环，能自动修改Prompt和工作流。还讲解了SEW、TextGrad等优化器原理，并以SEW为例展示逻辑，最后推荐开源框架EvoAgentX。
OpenAI与Anthropic罕见合作：竞争对手联手测试AI安全
OpenAI和Anthropic完成联合评估，用内部工具测对方模型并公开结果。测试覆盖指令层级、越狱等四大领域，还发现不少细节和道德困境情况。此次合作意义重大，为行业树立安全合作先例。
首个接入GPT-5的视频Agent！一句话生成商业级广告大片，分镜配音字幕等全包了
AI视频生成进入Agent时代，Video Ocean是首个接入GPT - 5的视频Agent，输入提示词就能自动完成分镜、画面等生成爆款视频。它有自动化创作生态系统，操作简单，新手也能上手。
XBOW 发现Wordpress 任意文件读取漏洞的过程
XBOW用AI系统做全自动化渗透，在HackerOne排名第一。其博客文章分享发现WordPress Ninja Tables插件任意文件读取漏洞的过程，从侦察端点到编写脚本攻击，最终确认漏洞并进行了负责任披露。