「评估工具」共找到 2519 篇相关文章
UI-TARS-desktop：字节跳动的原生GUI智能体，用自然语言控制电脑和浏览器
字节跳动开源的UI-TARS-desktop是原生桌面GUI智能体工具，基于UI-TARS和Seed-1.5-VL系列模型。能用自然语言操控电脑和浏览器，有本地和远程两种模式，支持多平台，还对比了同类工具。
11.8k Star 爆火！Firecrawl开源王炸，秒级生成React应用！
知名网页抓取工具Firecrawl团队推出开源项目Open Lovable，几天内获11.8k Star。它是AI网页克隆工具，能秒级将网站克隆为React应用，功能丰富，适合多类人群，还介绍了上手步骤和应用场景。
Claude Skills，4000字详解 Anthropic 的思考
Anthropic推出新技能Claude Skills，作者认为它会引导第三方工具形态。Skills结合笔记式形态、可执行工具与AI调度自优化，具备低门槛、灵活表达等优势，还实现了AI自我进化，是一种新范式。
OpenClaw 之父惊叹中国速度！大厂集体杀入新战场：用AI 批量制造“一人公司”
AI 发展改写创业规则，“一人公司”批量涌现。创业者借助 AI 工具降低开发门槛，通过外包灵活组建团队。其商业化紧跟技术风口、服务长尾需求，但变现呈“金字塔结构”，竞争靠速度、资源和效率。大厂参与培育市场，传统软件服务商与一人公司边界渐模糊。
GraphRAG圈新秀：文档级RAKG
随着大模型能力增强，知识图谱成研究热点。传统KGC有实体消歧难、模式僵化等痛点。文章提出RAKG框架，将RAG评估机制引入知识图谱构建，实现文档级自动化构建与评估，多指标表现优异。
Strix AI驱动的漏洞动态验证能力分析
传统SAST工具只能发现‘可能有问题的代码’，无法确认漏洞是否可被利用，导致高误报率。Strix采用‘静态分析 + 动态验证’的混合模式，先定位可疑点，再对漏洞进行真实攻击验证，显著降低误报率。
估值 20 亿美元的语音输入法，开源平替已经 3 万 star
文章指出语音输入随着 AI 发展价值重估，介绍了开源工具 OpenLess，分析了商业订阅、开源桌面工具、大厂输入法三类玩家，给出四层评估框架，也提及开源风险，并对不同需求给出选择建议。
MMAR与AudioTrust技术解读，音频大模型评测前沿进展分享 | AI Bench Talk直播预告
司南评测集社区 CompassHub 收录多维度评测集。此次 AI Bench Talk 直播聚焦音频大模型，将分享评估其深度推理能力的 MMAR 及全方位可信评估框架 AudioTrust，还设圆桌讨论多模态/音频大模型相关议题。
Swift 跨平台框架 Skip 现已完全开源
Skip 是用 Swift/SwiftUI 代码库创建 iOS 和 Android 应用的方案，经三年开发后团队将其完全开源，此前为付费方案。开源既是因开发者希望免费获工具，也为保证工具持久性，它能实现原生体验。
ACL 2025 | 指令遵循不能仅靠常识？GuideBench 揭示大模型如何“踩雷”领域指南规则
这篇ACL 2025主会论文聚焦提升智能体指南规则遵循能力。提出评估基准GuideBench，涵盖7类1272个任务。实验显示多数主流大模型指令遵循能力不佳，尤其数学推理挑战大，为模型迭代提供评估基准。