「评估标准」共找到 1025 篇相关文章
1899个MCP服务安全研究：7.2%存在漏洞，5.5%暗藏「工具投毒」
研究人员对1899个开源MCP服务器扫描，发现7.2%项目有漏洞、5.5%遭工具投毒。MCP虽成事实标准且发展好，但代码质量堪忧，传统安全工具难检测其风险，为生态敲响警钟。
Anthropic实践发现：Multi-Agent系统的核心仍然是Prompt设计！
近期Anthropic分享构建多智能体研究系统最佳实践，提出8条研究智能体的提示工程与评估原则。其架构采用协调者 - 工作者模式，与传统RAG方法不同，使用多步骤搜索动态查找信息。
从Token到词元：全模态时代的基模与交互入口
2026年3月24日国家数据局确立“词元”为Token标准译名，Token生成与消耗方式在多模态场景正发生变化。模思智能获数亿融资，探索从语音到全模态的路径，成果颇丰且完成能力闭环，其发展受关注。
AI打假AI，拿下SOTA丨厦大&腾讯优图
厦门大学联合腾讯优图实验室团队提出AIGI - Holmes方法，创新性采用“大模型+视觉专家”协同架构，解决现有AIGI检测技术瓶颈，在检测、解释能力及鲁棒性评估上均取得最优效果。
6个做AI和ML的奇技淫巧
作者整理了6个做AI和ML的技巧，如提前结束评估、超参数过度优化、精心挑选数据集等，指出现在90%的模型可能都用到其中不止一招，还介绍了自己用AI采集资讯发布到知识星球。
不受控的 Agent ，凭什么上生产系统？
本文探讨AI Agent落地企业生产系统的核心痛点：Agent输出失控风险高，指出模型能力不代表落地可用性，介绍了业内首套以评估为核心的Agent全生命周期部署方法论Agent DLC，附真实落地案例。
CL-Bench的故事没有结束，生成式CL-Bench：GENIUS来了
北大团队发布GENIUS，用于评估模型生成式流体智力。它构建含510个样本、20个子任务的评测集，测试模型多方面能力。实验显示当前模型流体智力有短板，还提出免训练注意力校准机制提升性能。
炸裂！Claude以第一作者写论文反驳苹果「推理模型根本没有推理能力」：苹果有三大错误
苹果论文称推理模型无推理能力，引发争议。Anthropic的Claude Opus以第一作者写论文反击，指出苹果研究有混淆‘推理失败’与‘输出截断’等三大问题，还通过实验证明模型能力，强调需更聪明评估方法。
一句话生成可上线的动效，这个项目真不错！
Github上的`Text-to-lottie`是开源Skill框架，可让Claude Code或Codex当动效设计师，按Lottie规范生成标准`lottie.json`。它有Coding Agent直出Lottie JSON、内置预览播放器等特色，助开发者快速产出合规Lottie资产。
Anthropic 的 Harness 设计：build to delete
Anthropic工程博客发布Harness设计文章，探讨Claude完成全栈应用开发任务。指出单Agent模式问题，采用GAN式对抗、三Agent编排，对比单Agent与多智能体产出，还介绍调教评估者及编排简化，提出Build to Delete原则。