「安全评测」共找到 1559 篇相关文章
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。
GPT-5.4 仅 11.36%！当大规模工具生态变成迷宫，LLM Agent 还能完成长程规划吗？
PlanBench-XL 来自 UIUC 团队，将 LLM Agent 放入零售 API 世界，评测其长程规划能力。它考虑真实工具环境挑战，含 327 个任务等，发现多数模型规划难、恢复差等问题，并给出改进启示。
从Foundation Model到Physical AI，三星「杀入」大模型核心战场
三星正快速进入大模型核心战场，构建Foundation Model体系，采购GPU用于AI基建。它提出Meki架构、M2RL训练范式和LiveClawBench评测体系，由AI Model TF团队推进，负责人是唐业辉。
【深度长文】从“会聊天”到“能干活”：OpenClaw架构深度拆解与价值挖掘
文章深度拆解 OpenClaw 架构，指出传统 SaaS 走向末路，OpenAI Operator 有局限。OpenClaw 以本地原生机制崛起，具备诸多优势，还介绍了其安全方案及五大高价值商业场景，鼓励关注学习。
The Batch: 904 | 智能体全面释放
2025年11月开发者Peter Steinberger发布个人AI智能体OpenClaw，1月下旬在HackerNews提及后迅速走红。它可完成多种任务，有独特工作方式和架构，但也存在安全漏洞，引发AI社群讨论。
刚刚，DeepSeek开源OCR 2，首创Qwen编码的「双流架构」
年底 DeepSeek 开源新模型 DeepSeek - OCR 2，首创双流注意力架构，model&paper 一同发布。它重构视觉编码器，采用三阶段训练流程，在 OmniDocBench v1.5 评测及生产环境验证中表现良好。
突发！OpenAI大神姚顺雨，任腾讯首席AI科学家
OpenAI科学家姚顺雨入职腾讯，任首席AI科学家，兼AI Infra部、大语言模型部负责人。他是清华姚班学霸，研究智能体成果多，还曾提出AI进入‘下半场’，评测将更重要的观点。
VQA高分是在看图，还是在记答案？ReKey只更新决定答案的那一小块
视觉问答模型准确率提升，但高分可能源于记忆。浙江大学等团队提出 ReKey，保留真实场景，只更新决定答案的视觉线索，使评测面向未见过内容，且多数环节可自动完成。
OpenClaw登顶GitHub，满天飞的智能体Skills要怎样设计？
OpenClaw 4 个月获 250K+ Star 登顶 GitHub。智能体 Skills 给大模型装上程序化记忆，研究者解构其概念，阐述设计模式、获取调度逻辑，也指出安全威胁，呼吁建立客观评价体系。
倒反天罡：「租个人」网站爆火，AI开始雇人「跑腿」了
「rentahuman.ai」网站定位为「AI 的肉身层」，AI 可通过 MCP 协议或 REST API 雇人完成线下任务。网站上线后人力增长快，但也引发付款、任务真实性、安全伦理等疑问。