「标准化评测」共找到 702 篇相关文章
机器人长出800个心眼？阿里达摩院开源具身新大脑，硅谷又坐不住了
2026年具身智能竞争激烈，阿里达摩院开源RynnBrain“具身大脑”。它采用分层架构，在16项评测中超越前沿模型。还介绍了核心技术、训练策略等，且全系列模型、评测基准和代码均开源。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。
所有AI工具共享记忆！MCP协议杀疯了：100%本地运行，Cursor、Claude都能用
当下多数AI工具各自独立运行，会话结束上下文即消失。OpenMemory MCP能解决AI工具记忆痛点，实现不同工具间共享上下文信息，支持100%本地运行，有跨平台支持等丰富功能。
从 yield 到 await：Python 协程的进化史
文章按时间线与逻辑脉络，讲述 Python 协程从生成器到`async/await`的进化史，介绍各阶段特点、困境及解决方案，如`@wrappertask`的应用，还提及演进带来的启示。
单卡搞定万帧视频理解！智源研究院开源轻量级超长视频理解模型Video-XL-2
智源研究院联合上海交通大学等机构发布新一代超长视频理解模型Video-XL-2。它单卡能处理万帧视频，编码2048帧仅需12秒，在效果、长度和速度上全面优化，已开放模型权重。
模型不是企业的护城河，那什么才是？
文章指出企业AI进入深水区后，真正的竞争是将AI变成企业自己的智能引擎。衔远科技创始人周伯文提出泛化基础上的深度专业化是企业竞争力来源。衔远发布EnterpriseClawBench，揭示企业需私有化评估和可持续进化能力。
字节清华智能体自动写CUDA内核，比torch.compile加速2.11倍
字节Seed与清华AIR团队开源CUDA Agent，在GPU内核优化基准KernelBench上成绩优异。它是大规模智能体强化学习系统，训练数据经多阶段构建，分阶段训练，全面超越商业模型，还开源了训练数据集。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
OpenAI 智能体工程指南：10 条实战技巧和 3 种构建模式
OpenAI 给出智能体工程实战手册，介绍用技能、Shell 工具和上下文压缩三 API 让智能体稳定工作。全文涵盖概念、10 条实战技巧、3 种构建模式，有实用案例但数据精确度存疑。
Anthropic 定义了标准，我们造了库：为什么 2026 是 Agent Skills 元年
2025 年 12 月 18 日，Anthropic 将 Agent Skills 发布为跨平台开放标准，终结了 Agent 开发混乱。特赞团队推出 `skill0` 响应标准，其诞生源于企业业务需求，2026 年 Agent 开发将质变。