搜索：进化式评测系统

「进化式评测系统」共找到 2747 篇相关文章

ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」

过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。

Claude团队分享用多智能体构建深度搜索的心得，展示有效多智能体研究系统架构，涵盖系统架构、提示工程、评估方法等内容，还提及系统面临的问题、挑战及额外建议。

合肥工业大学与清华大学团队推出视频大语言模型综合可信度评测基准 Trust-videoLLMs，对 23 款模型从五维度 30 项任务评测，揭示性能格局，指出模型现存问题，还开源评测框架等。

上月底Anthropic报告揭示编程趋势转变，月初Claude Opus 4.6与GPT - 5.3 Codex发布印证。作者深度测试GLM - 5，经两项实测挑战，发现其在复杂系统任务表现超预期，有‘系统架构师’思维。

来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。

3月22日微信官宣推出支持接入OpenClaw的ClawBot插件，两天后OpenClaw更新，将插件生态系统迁移到官方ClawHub市场，引发诸多问题，如系统崩溃、插件失效等。此次事故暴露系统脆弱性，也为Vibe Coding发展敲响警钟。

当今编码智能体部署后大多静止，自进化编码智能体应运而生，可让Agent通过交互更新自身。文章介绍了其概念、分类，探讨组件进化机制、时机及评估方法，也提及带来的新挑战。

OpenAI 硬件负责人 Richard Ho 认为真正的限制是整个系统，继续依赖 NVIDIA 硬件路径，无法把模型推到下一个量级，因此 OpenAI 要重新拿回 AI 运行的底层控制权。他指出手机不是为 agent 设计的，未来是云边结合，现有手机系统难满足 AI 时代需求。

多数AI编程Agent任务一长就忘事，业界主流靠堆上下文窗口应对，但有缺陷。小米MiMo团队开源的MiMo Code，靠显式存储 - 检索机制，200步以上任务胜率超Claude Code达65%，介绍了其设计及优缺点。

微软研究院提出全新推理范式AsyncThink，让LLM从单打独斗进化成带团队的项目经理。它把并发控制转为纯文本协议，经两阶段训练，实验中全方位碾压传统方法，还具跨领域泛化能力。