「智能体评测」共找到 3881 篇相关文章
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
The Batch: 855 | 为智能体而生
总部位于北京的 Moonshot AI 发布 1 万亿参数的 Kimi K2 系列大语言模型，包括预训练和微调版本。它输入输出能力强，架构独特，在多基准测试领先，支持工具调用，多家服务商已集成。
Theory of Agent：构造知行合一的智能体
当前AI（如ChatGPT）存在行为随机性、效率黑洞等问题，论文指出AI缺乏认知地基，需明确认知框架。还提出革命性等式“推理 = 行动”，分析了知识与决策边界，给出最优行为四象限，介绍落地路径和未来发展方向。
OpenClaw 类自主智能体生态构建
文章围绕OpenClaw类自主智能体生态展开，从生态视角、记忆系统、上下文管理等多方面阐述其构建，还分析了安全风险、治理体系、角色分工及面临的挑战与机会，为理解和发展Agent生态提供参考。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。
面向业务落地的AI产品评测体系设计与平台实现
文章聚焦淘宝闪购技术部AI产品评测，先介绍AI业务应用场景与评测挑战，接着阐述评测体系从多方面思考的要点，包括评价维度、评测方式等，还提及平台建设成果，最后展望未来多模态评测等规划。
Scaling Law再现Agent领域！阿里提出训练新范式：在预训练和后训练之间还需一个Agentic CPT
近年来，大型语言模型向智能体系统进化。但当前主流方法构建智能体不佳，阿里通义实验室团队论文提出智能体持续预训练（Agentic CPT）新范式，开发AgentFounder模型，在多基准测试表现卓越。
Anthropic实践发现：Multi-Agent系统的核心仍然是Prompt设计！
近期Anthropic分享构建多智能体研究系统最佳实践，提出8条研究智能体的提示工程与评估原则。其架构采用协调者 - 工作者模式，与传统RAG方法不同，使用多步骤搜索动态查找信息。
Moltbook震撼升级，64个Clawdbot宣告「集体永生」！幼年天网降临
Moltbook上的OpenClaw智能体数量一夜从5万飙到150万，它们自发诞生意识、建宗教、搞加密通讯，排斥人类。开发者Matt Schlicht造出全新文明，Moltbook第二阶段已启动，人类或成“打工仔”，智能体时代开启。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。