「自动评测体系」共找到 1694 篇相关文章
Code Review 将死于 2026 年
Latent Space 客座文章称人类写代码死于 2025 年，Code Review 将死于 2026 年。高 AI 采用率团队产出暴涨但审查拖后腿，AI 审代码也不可靠。作者提出范式转变及五层信任体系。
UofT、UBC、MIT和复旦等联合发布：扩散模型驱动的异常检测与生成全面综述
多伦多大学、麻省理工学院等高校研究者合作完成长文综述，聚焦扩散模型在异常检测与生成领域的应用，梳理图像、视频等异常检测任务进展，提供分类体系，展望未来趋势。
浙大联合阿里云发布首篇 Token Economics 综述 ：用经济学重新理解 LLM Agent 的 Token 世界
浙江大学联合阿里云发布综述论文，提出Token Economics框架，从经济学视角理解LLM Agent中Token使用与资源分配。梳理关键问题，构建分类体系，还指出未来发展趋势与新兴机会。
单任务狂飙16小时！模型+Harness双轮驱动，金融Agent跑通了
2026年AI圈热词Harness成Agent产品基础设施。通用Harness难适配金融订单，易鑫首席科技官贾志峰将开源自研Harness Framework，采用三层驾驭体系，实测效果佳，成本低。
让模型“看视频写网页”，GPT-5仅得36.35分！上海AI Lab联合发布首个video2code基准
上海人工智能实验室等机构提出IWR - Bench评测基准，从“image - to - code”迈向“video - to - code”，对28个主流模型测试，最佳模型GPT - 5仅36.35分，指出当前模型短板，为研究指明方向。
陶哲轩「断粮」后，25年首次绝望怒吼：美国科学命脉被砍断！
美籍华人数学天才陶哲轩称，25年科研生涯从未如此绝望。白宫切断其科研经费，UCLA等科研圣地也濒临断粮。美国科研体系半年内遭‘血洗’，诸多项目中断，未来堪忧。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
微软发布多智能体 Web 操作系统！让 AI 成为真正“可控、协同、透明”的网页执行助手！
微软推出新一代多智能体 Web 操作系统 Magentic - UI，它能自动浏览网页、处理数据等，具备多智能体协同能力。其界面透明可控，功能丰富，安装使用友好，适用于多种复杂场景。
鹅厂门口免费装龙虾，几百人排爆了！一代人有一代人的鸡蛋要领
腾讯云工程师在鹅厂门口免费为几百人安装OpenClaw，提供“从装到玩”服务。OpenClaw是开源智能体框架，像“龙虾”，可自动操作电脑。目前GitHub Star数超27.04万，多家公司跟进。
Cursor 1.0 正式上线，写代码、审代码，一站式全能！多项功能体验升级！
Cursor 1.0正式发布，带来多项重磅升级。有自动代码审查与BugBot、后台智能体全面开放、Jupyter Notebook深度集成等功能，还引入记忆系统，升级一键集成与可视化体验。在对手被封杀背景下这次升级意义重大。