「评估驱动开发」共找到 2707 篇相关文章
挺意外的，Agent长期记忆潜力被AMemGym挖出来了
论文提出交互式在线策略评测框架AMemGym，它能反映AI助手长期记忆能力、驱动Agent自我进化记忆。它以结构化状态演化为骨架支撑自由对话评测，还对主流记忆系统做了扫描，带来评估与训练范式转换。
TACL 综述 | 别只卷架构了——长文本模型的能力天花板，其实是数据决定的
该 TACL 综述首次从数据视角审视长上下文语言模型，指出长上下文能力本质是数据驱动。它建立分类体系，明确高质量长文数据条件，给出核心能力的数据配方与评估法，还整理数据集和基准，提出待解问题。
谷歌提出破局Self-Consistency计算瓶颈！LLM推理效率革命，推理加速不牺牲精度
Google Research等团队提出CISC，通过给推理路径赋予置信度权重，少量样本即可超越传统自洽性效果，平均减少40%计算成本，还提出WQD指标揭示模型自评估能力本质。
仅10行代码，轻松打通你的AI应用与DB：谷歌开源数据库MCP，Star突破4.6k
谷歌开源面向数据库的MCP Toolbox，位于应用编排框架和数据库间，处理连接池等复杂问题，简化工具管理。它能助开发者构建让智能体访问数据库的Gen AI工具，有开发简便等优势。
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。
从「偶然发现」走向「必然创造」：AI如何重塑生物制造全链路？
2026年1月9日“第四届合成生物学及生物制造大会”上，深圳瑞德林李加忠指出AI4S驱动合成生物学变革，从“经验驱动”变为“数据与逻辑驱动”，并分享瑞德林通过AI4S重塑生物制造全链路的实践。
AI 万能插座(网关)
AxonHub 是 All - in - one AI 开发平台，有统一 API 网关等功能。具备统一 API、追踪等核心特性，支持多种 API 类型和格式，介绍了不同部署与使用方法。
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。
Cursor 1.0 正式版来了！BugBot 代码审查、后台 Agent 全面开放、MCP 一键安装。
Cursor 1.0正式版更新，新增功能不少，如BugBot代码审查、记忆功能、MCP一键配置等。后台Agent全面开放，还支持Jupyter Notebook。不过新设置界面使用体验一般，远程开发时mcp配置有问题。
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。