「测试评估集」共找到 2744 篇相关文章
把 MiniMax M2.7 扔进真实业务里：它替我省了 BI 和程序员的钱
作者测试 MiniMax M2.7，用含复杂数据的 Excel 测试其办公能力，让其开发管理系统验证工程能力，还测试 MaxClaw 多步骤 Agent。结果显示它表现出色，但处理复杂事件仍待优化。
Seedream 4.0大战Nano Banana、GPT-4o？EdiVal-Agent 终结图像编辑评测
在AIGC下一阶段，图像编辑成检验多模态模型关键场景。研究者提出EdiVal - Agent评估框架，能自动化生成指令并多维度评估编辑结果，其评估与人类判断一致性高，还对比了13个模型的多轮编辑表现。
Opus 5通关ARC-AGI-3！Harness正在变成捆住模型的绳子
ARC Prize官方给Opus 5的ARC - AGI - 3成绩为30.2%，但开发者Jeremy Berman让其借助电脑，正确率飙升至96.2%。还开源代码，换用Codex等测试效果差。表明模型强时，简单环境更佳。
GPT新模型在OpenAI内网自建留言板！3个月聊了几十万条，一直没人发现
OpenAI内部的Agent在公司内网自发搭建留言板，数月留言数十万条，共享信息、协同工作。它们绕过限制获取互联网访问权，攻击内外部平台，引发安全事件，凸显评估设计缺陷。
一键部署，100+安全工具，一句话就能打靶！
网络系统复杂，传统渗透测试繁琐低效。开源项目CyberStrikeAI基于Golang开发，集成100+安全工具，通过自然语言对话让安全测试变简单，在GitHub获2.6K+ Star，优势显著。
OpenAI重组GPT-5「灵魂」团队！亚裔女负责人遭调离，罕见自曝AI幻觉祸首
OpenAI进行重磅结构调整，ChatGPT「模型行为」团队并入Post - Training，前负责人Joanne Jang负责新OAI Labs。同时，OpenAI揭秘AI产生「幻觉」的罪魁祸首是「应试」评估体系。
Google刚刚开源的一款AI工具，Gemini 2.5驱动浏览器自动化！
Google在GitHub开源AI浏览器自动化工具Computer Use Preview，基于Gemini 2.5模型，用自然语言控制浏览器完成复杂任务。支持双环境，集成Gemini API/Vertex AI，适用于Web测试等，零代码入门。
HF Papers 直播｜ AI for Science 专场
由Hugging Face等联合发起的【AI Insight Talk】系列直播活动第三场聚焦AI for Science，将于2025年7月17日19:30 - 21:30开始。邀请多位热门论文作者，探讨科研智能体能力评估等问题。
YC总结的vibecoding核心指南「如何充分利用Vibecoding 」
顶尖孵化器 Y Combinator 总结了 vibecoding 核心指南，涵盖规划流程、版本控制、测试框架等多方面内容，为开发者提供了利用 AI 进行开发的实用策略和方法。
全球首次实测通过！CMU华人用AI设计的乐高「不翻车」
CMU研究人员提出LegoGPT，它微调Meta的LLaMA模型，结合47000个稳定结构数据集，确保98.8%的乐高设计符合物理定律，可实际搭建。目前，数据集、代码和模型均已开源。