「自动评测体系」共找到 1694 篇相关文章
你的 AI 助理一闭嘴就在「发呆」？上交大 ProAct：把 Agent 的空闲时间变成生产力
上海交通大学 APEX 实验室提出 ProAct 架构，能把对话空闲时间转化为主动准备机会。它有预测、筛选、交付三级流水线，经 ProActEval 评测效果佳，证明算力用对地方更重要，让 Agent 能提前为用户准备。
刚刚，Claude Design 发布！网友：将摧毁设计行业……
4月17日，Anthropic发布Claude Design，用刚发布的Claude Opus 4.7驱动，能凭自然语言描述搭设计稿。它有Tweaks和Knobs控件，可自动套用品牌规范，多类用户适用，导出选项全，或改写设计工作流。
AI生成操作系统新突破！上海交大提出文件系统开发新范式：从此只需写规约
上海交大IPADS实验室团队在自动生成操作系统核心组件上有新突破。面对大模型生成操作系统的难题，提出SysSpec新范式，以规约指导生成，并配套工具链，构建SpecFS文件系统，开发效率提升3 - 5倍。
阿里，悄咪咪在海外上线全新 Agent Coding 产品
阿里在海外推出 Agent Coding 产品 Qoder，个人版免费试用。随着 LLM 技术发展，AI 辅助编码范式改变。Qoder 探索发挥 AI 潜力、解决开发挑战，有透明化等功能及增强上下文工程理念，还能自动选模型。
The Batch: 847 | 为蜜蜂健康而生的机器人蜂箱
Beewise推出的BeeHome 4高科技蜂箱，能扫描蜜蜂群体状况，提醒养蜂人并自动处理部分问题。已在北美部署超30万台，宣称将蜜蜂年死亡率降至8%，还介绍了其工作原理等内容。
杜克大学、Zoom推出LiveMCP‑101：GPT‑5表现最佳但未破60%，闭源模型Token效率对数规律引关注
杜克大学与Zoom研究者推出LiveMCP - 101，这是针对真实动态环境的MCP - enabled Agent评测基准。含101个任务，实验显示先进模型成功率低于60%，研究为提升Agent能力提供改进方向。
可从表复杂文档中提取结构化数据的Python库agentic-doc，支持100+页PDF长文档
LandingAI的Agentic文档提取API可从复杂文档提取结构化数据，Python库agentic-doc封装该API，支持100+页PDF长文档，有自动重试、并行处理等功能，还能可视化调试。
2.4k star 开源项目，Wingman AI + 知识图谱，如何帮你搭建‘私人大脑’？学术/项目必备，让笔记真正活起来！
MindForger是桌面Markdown IDE，可构建私人知识体系。它能本地运行，掌控数据，有思考联想、知识图谱浏览等功能，能解决笔记混乱等痛点，适用于学术、项目管理等场景。
谷歌Chrome觉醒！Gemini 3全面接管，38亿用户一夜进入Agent时代
谷歌官宣所有桌面端Chrome浏览器接入Gemini 3，38亿用户的浏览器进化为全能AGI入口。此次更新改变人机交互方式，Chrome具备多种智能功能，如自动浏览、调用全家桶服务等，开启AI驱动的浏览时代。
多模态模型挑战北京杭州地铁图！o3成绩显著，但跟人类有差距
近年来，多模态大模型在多种场景取得进展，但能否‘看懂图’存疑。西湖大学等团队提出评测基准ReasonMap，评估模型在地铁图理解中的能力，发现主流模型有瓶颈，闭源模型虽优但仍逊于人类。