「自动化评测」共找到 1070 篇相关文章
全球首个AI智能体「自进化」开源框架来了！一次部署，终生可用
英国格拉斯哥大学团队发布全球首个AI智能体自进化开源框架EvoAgentX，打破传统多智能体系统构建与优化限制。它有自动化构建、自进化机制和系统性评估亮点，实验验证其性能提升显著。
打通AI4S数据入口：MinerU.Chem让化学文献中的“图片”，从“人类可读”走向“AI可用”
上海人工智能实验室 OpenDataLab 团队发布 MinerU.Chem 技术报告及成果，升级化学文献智能解析能力。它能将化学文献图片转化为 AI 可用数据，解决化学知识机器难用问题，在评测中领先，还将助力 AI4S 发展。
拒绝传统 Router“瞎指挥”，多智能体如何实现智能任务分配？
企业级多智能体系统瓶颈常是负责分发任务的传统 Router 太“傻”，搞不定跨域、解不了冲突、跟不上变化。腾讯云开源 TCAR 智能路由模型，它先推理再选 Agent 集合，经多数据集评测表现出色，还提供完整开源范式。
Arc研究所造出能“举一反三”的虚拟细胞模型，破解跨细胞预测难题
生物学和药物研发中，因细胞组合庞大，难以全实验验证，且同药在不同细胞效果不同。Arc Institute 团队推出虚拟细胞模型 STATE 及评测套件 Cell - Eval，STATE 预测效果优，但也存在短板。
刚刚，Fable 5全球复活！限时7天，额度砍半
Anthropic官宣Fable 5回归，7月1日至7日限时开放，顶配套餐周使用额度砍半。虽更新安全防护，多数编码任务不受影响，但新防护有误伤，且Token消耗快，还拒绝部分正常提问。其自动化率显著提升。
Claude Code 桌面版烂爆了，Anthropic 终于把 “100% AI 编码”演砸了
Anthropic将Claude Code做成桌面应用，本值得期待，然而新桌面版却问题频出，如卡顿、崩溃、自动化功能不稳定等，还出现大量基础功能问题。此前Anthropic宣称代码由AI编写比例高，但产品质量堪忧。
一篇大模型Agentic框架到应用最新综述
这是首篇系统拆解“大模型Agentic推理框架”的综述，不聊训练，只聚焦如何把LLM组织成会思考、协作、调工具的Agent，横跨科学发现、医疗、软件工程、社会经济模拟四大战场，给出统一语言、视角和评测。
刚刚，美团推出 136 亿参数视频生成模型
美团推出 136 亿参数视频生成基础模型 LongCat-Video，采用 MIT 开源协议。该模型覆盖文本、图像生成视频及视频续写三类任务，能生成分钟级长视频。效率高，评测数据表现佳，安装和运行简便，引网友惊叹。
别求Claude了！搭子DuMate杀疯，国产Cowork已帮你把活干完了
Anthropic更新Claude帮助中心，对部分用户启用身份验证，让国内重度用户焦虑。百度智能云上线搭子DuMate，它是桌面级AI智能体，能自动化办公，还更懂国内工作场景，上线后高频迭代。
Karpathy自称患上AI精神病！能力没有上限，一切都是Skill问题
Karpathy在播客中称自己患AI精神病，日常工作多依赖智能体。他认为智能体能力无上限，瓶颈在使用者技能。还探讨软件变革、自动化研究、模型分化等，对就业、开源等也给出看法。