搜索：自动评测体系

「自动评测体系」共找到 1694 篇相关文章

10万智能体同场模拟，YuLan-OneSim带来真正的大社会实验

YuLan-OneSim是大语言模型驱动的社会模拟器，能模拟人类社会行为。它可零代码构建场景，有50个默认场景，具分布式架构，支持10万智能体同场模拟，还推出AI社会研究员，自动完成社会科学研究流程。

作者的剪辑产品有了“外部研发部”——Agent。它每天研究新方法、用真实项目测试。作者三步搭建此“研发部”，让其自动查询、测试和汇报，自己负责最终决策，项目获取新方法不再只靠偶然。

原推出RoboTwin系列基准的团队带来RoboDojo，这是统一的仿真+真实世界机器人操作评测基准。它设42个仿真任务、18个真实任务，让30个主流策略竞技，结果显示机器人距通用操作差距大。

5月15日，蚂蚁百灵开源旗舰级推理模型Ring-2.6-1T，权重文件上线Hugging Face、ModelScope平台。该模型有万亿参数，‘按需思考’，在代理执行、推理机制、训练范式三方面升级，评测表现出色。

DeepSeek一口气开放17个招聘岗位，核心聚焦Agent方向，覆盖算法研究、数据评测、基础设施等全链条。岗位要求显示其Agent布局从研究落地到能力建设，还追求数据闭环与技术栈全面布局。

Claude Code 创造者 Boris Cherny 分享团队使用技巧，如并行工作、先规划再动手、更新 CLAUDE.md 等 10 条经验，还提及打造自动化体系、提升 Prompt 水平等内容，强调多用多想提效。

Skyvern是开源AI浏览器代理，结合LLM和计算机视觉，自动执行浏览器业务流程。它用简单API复刻人工操作，替代传统脚本，解决脚本脆弱、流程复杂等痛点，功能丰富，技术优势明显，适合多业务场景。

2026 年 7 月 26 日，Reddit 用户称用谷歌站点检索语法能调出 Claude 用户共享对话记录。因 Claude 未补全防护配置，致用户加密资产、身份等信息泄露。此前 OpenAI、Grok 也有同类问题，社区呼吁平台完善防护体系。

复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。

具身智能市场逻辑生变，从关注模型和本体转向数据与评测基础设施。光轮智能获蚂蚁集团领投，估值超20亿美元。其构建完整闭环，参与国际标准制定，打造物理AI教育系统，引领产业发展。