「自动化评测」共找到 1070 篇相关文章
世界模型的新用途：不做选手，去当裁判
眼下具身赛道都在抢着做机器人的“大脑”，而地瓜机器人发布的世界模型Uranus却剑走偏锋，做机器人开发的基础设施。它能更客观地评测VLA和世界模型，还能做机器人训练的“场地”。
国产新模王Qwen3.7-Max，海外开发者已经沸腾了
阿里通义千问团队发布的 Qwen3.7-Max，或为面向 Agent 时代的旗舰模型。它能自主跑 35 小时、完成 1158 次工具调用，内核优化不掉线，多项评测领先，应用场景丰富，已上线且兼容主流框架。
从Cursor返聘归来，90后华裔女高管带Claude开启日更模式：token成本比工程师工资低多了！
90 后华裔女高管 Cat Wu 推动 Anthropic 产品按天迭代。她介绍团队分工、产品决策围绕安全 AGI 使命，还谈及源码泄露、模型使用等问题，分享工具使用场景及对 PM 能力要求，鼓励用 AI 自动化工作。
NIPS2025｜小红书智创AIGC团队提出布局控制生成新算法InstanceAssemble
当下文本生成图像扩散模型有进展，但现有布局到图像生成方法在复杂场景表现不佳。小红书智创AIGC团队提出InstanceAssemble框架，从架构和评测应对难题，实现复杂布局下精确图像生成，有广阔应用潜力。
微软上线Deep Research：OpenAI同款智能体，o3+必应双王炸
今天凌晨微软在官网宣布，Azure AI Foundry中上线Deep Research公开预览版，这是支持API和SDK的OpenAI高级智能体研究能力产品。它通过必应搜索与GPT系列模型深度协同，将研究流程全面自动化。
1.4K Star！不要问答，要完成任务，一个合格的金融Agent应该是什么样？
过去一年AI Agent火热，但金融场景投研是长链路任务，有诸多硬约束。LangAlpha是Ginlix AI推出的开源金融Agent项目，能解决实际金融研究任务，有核心架构和关键能力，还给出使用方式、典型Demo及横向评测。
我雇了个AI，替我读微信列表里“吃灰”的公众号文章
文章评测了AI工具语鲸，它像国产版NotebookLM和AI版今日头条，能处理文本、整合资讯。它可订阅多渠道账号，有订阅、频道等实用功能，网页端解析长文出色，但处理图文有问题，其团队背景强大。
Meta全开源HumanCLAW：基础模型正进入具身智能的决策层
过去基础模型主要理解和描述物理世界，如今开始进入机器人控制栈。Meta等提出HumanCLAW，将高层行动与低层运动控制分开。评测显示当前模型在行动决策上存在不足，未来可从多方向推进研究。
都说记忆是Agent标配，但MemSyco发现漏算了一件事
厦门大学与吉林大学的最新研究指出，随着大模型Agent具备长期记忆，虽成为“长期协作者”，但也出现Memory-Induced Sycophancy问题。为此提出MemSyco - Bench评测基准，经实验得出多项发现，指出Agent Memory关键瓶颈转变。
32B逆袭GPT-5.2：首个端到端GPU编程智能体框架StitchCUDA问世
现有LLM自动化CUDA方法难处理端到端GPU程序，StitchCUDA提出多智能体框架+基于Rubric Reward的Agentic RL方案，分解任务、优化训练，在实验中成功率和加速比远超其他方法，解决Reward Hacking问题。