「评测实践」共找到 1138 篇相关文章
AI"学霸"也解不出高中题？耶鲁、复旦发布MMSciBench，揭示AI理科推理能力短板
耶鲁、复旦等推出MMSciBench评测基准，揭示主流模型复杂科学推理短板。它有高质量数据、多模态多题型测试和精细知识分类体系。测试发现模型图文融合及推理能力弱，英文推理或效果更好。
对话西工大徐韬：昇腾生态如何为AI创新装上涡轮增压？｜甲子光年
本文讲述西工大徐韬团队与昇腾平台深度合作的故事。他们从算子研究攻坚底层技术，开发抑郁症初筛等系统。昇腾还助力教学，让学生实践操作。未来，更多人将参与国产AI源头创新。
“我的新爱好：眼睁睁看着Copilot慢慢逼疯微软程序员”
近日，Reddit上关于GitHub Copilot的风波引发开发者关注。微软发布Copilot Agent，虽称其擅长开发任务，但在GitHub实践中表现不佳，引发开发者不满，也反映出技术理想与现实落地的差距。
2026年必须搞懂的20个 Agent 工程概念（运行机制篇）：大白话一次讲清。
文章聚焦Agent工程运行机制，介绍20个核心概念。如Agent与ChatBot区别在于会‘做’；Harness是模型运行框架；Execution Model决定思考行动范式等，还给出各概念工程实践建议。
《Loop Engineering橙皮书》发布！免费，开源
《Loop Engineering橙皮书》发布，免费开源。Loop Engineering概念由多人共同推动，它是在提示词、上下文、缰绳工程基础上更进一步。文中介绍了循环的动作、零件，Claude Code的相关命令，也指出新手实践的坑。
怎么做 Long-running Agents，Cursor、Anthropic 给了两种截然不同的思路
业界对让 Agent 长时间运行、执行复杂任务无共识。最近 Cursor 和 Anthropic 分享实践，思路不同。Cursor 用多 Agent 并行执行长时任务，Anthropic 解决单个 Agent 跨工作周期的记忆连续性问题。
开学了：入门AI，可以从这第一课开始
文章从生活小事引出AI相关知识，介绍了AI学习方法，包括掌握数学基础、编程能力，持续学习与实践。还提及AI现实挑战与机遇，回顾其发展历程，最后给学习者送上祝福与建议。
给 Agent Skills 装上眼睛：MMSkills 用多模态技能包教会智能体看状态、做决策
上海交通大学和小红书团队推出面向通用视觉 Agent 的多模态技能框架 MMSkills，将可复用技能扩展为多模态程序性知识，通过 branch loading 调用视觉证据，在 GUI 与游戏任务评测中表现出色。
Anthropic说：不要在等下一代模型了，立刻马上做Harness！
文章指出当前优化模型运行环境（Harness）回报率或超等下一代模型。介绍了Harness Engineering的发展，还列举OpenAI、Stripe等公司实践，也提及不同观点，强调Harness是持续演化系统。
2026 年，万物皆 Coding Agent 的平台工程新范式（A2A / ACP / MCP / Skill）
过去 DevOps 工具链复杂，如今 AI 重塑其为 Coding Agent。借助 A2A、ACP、MCP 和 Skill，可构建 Agent 网络。文章分析平台工程演进，介绍相关协议，对比编排模式，还给出 Routa 编排架构实践参考。