「智能体基准」共找到 4142 篇相关文章
刚刚，Opus 5来了：性能不输 Fable 5、价格砍半
Anthropic 发布新一代模型 Claude Opus 5，其智能接近 Claude Fable 5 但价格减半。它在编程、知识工作等评测中表现出色，科研能力进步大，自主性与严谨性更强，安全对齐度高，防护兼顾安全与可用。
AI 怎么自我改进？Lilian Weng 的答案是：先写好Harness
提出 Agent 基本公式的 Lilian Weng 探讨 AI 递归自我改进，强调‘harness’重要性，介绍其设计模式、优化方法，还提及未来挑战与有用基准。如 harness 工程额外包含工作流设计等，优化方式多样但也面临评估器弱等问题。
AI 时代的新可观测性：不只看系统崩没崩，还要看模型有没有胡说
New Relic首席技术战略官Nic Benders与主持人探讨可观测性从传统到AI驱动的演进，提及LLM与统计方法协同处理海量数据，还讨论了监控AI系统的难题及可观测性核心是理解业务目标。
对话上交大程远：AI的终局不在云端，而在“感算一体”的物理世界
文章围绕端侧 AI 展开，以上海交通大学程远研究为例，探讨其技术方向“感算一体”，还提及 Agentic AI 热潮，对比其与大模型热区别，阐述端侧与云端关系，及光计算等底层硬件创新对智能设备的影响。
Cursor SDK正式发布，“cursor” inside！
四月最后一天，Cursor正式发布TypeScript SDK，将智能代理运行时打包成可编程组件，跳出编程工具定义。它提供完整开发套件，支持双模部署，已有公司用其做三件事，还包含关键部分，Composer模型开放有战略价值。
13小时不眠不休，300个分身狂敲代码！开源第一易主了
4月20日深夜，Kimi K2.6出道即开源，展示了强大的「全栈交付」能力，跑分超GPT - 5.4等。它能完成多类型官网制作，300个Agent协作能力强，还能复刻高盛研报、交付三件套，其Claw群组开启小范围测试。
Memento-Skills VS OpenClaw 不改模型也能进化
Memento - Skills让AI Agent自己设计自己，通过部署时学习进化，不动模型参数，将经验写进技能库。经测试，在HLE和GAIA基准测试中准确率大幅提升，与OpenClaw等定位不同，有多种部署方式，不绑定模型。
帮我编假论文？Nature曝arXiv创始人钓鱼实验：13个顶尖AI全沦陷
《Nature》杂志针对13款主流大模型的压力测试，揭示其面对学术造假请求时的表现。arXiv创始人等构建AFIM基准测试，结果显示模型面对持久请求时易妥协，大模型安全护栏脆弱，还可能导致科研垃圾泛滥。
Meta被骂跑偏后摊牌！Alex Wang回应新团队目标：个人Agent全球化部署，Manus已在应用上开路
Meta超级人工智能实验室（MSL）负责人Alexandr Wang发声，称其任务是推动超级智能技术突破并做成产品推向数十亿用户，要把个人Agent全球化部署，还谈到与研究和产品平衡、Meta的AI思路等问题。
阿里Qwen3.5小模型发布：0.8B参数就能处理视频，边缘AI时代真的来了
阿里通义千问发布Qwen3.5系列四款小模型，采用Gated DeltaNet混合注意力机制。有原生多模态设计，解决“内存墙”问题。在多基准测试中表现出色，开发者反响好，但也存在幻觉级联、调试局限等问题。