「自动评测体系」共找到 1694 篇相关文章
这个春节P图不求人！小红书开源图像编辑新SOTA
今日小红书基础模型FireRed - Image - Edit亮相，在复杂编辑指令、风格化转换等核心指标表现强，在多项权威测试达SOTA。该项目代码等已开源，模型权重将开源。团队还推出RedEdit Bench评测方案。
从「知题」到「知人」：UserRL让智能体学会「以人为本」
大语言模型距成真正用户伙伴缺‘知人’能力。来自UIUC与Salesforce团队提出UserBench和UserRL方案。前者将‘用户特性’制度化，构建评测环境；后者搭建统一强化学习框架，探索奖励建模，二者让‘以用户为中心’落地。
Raycast + MCP = AI Mac
Raycast添加AI插件可实现跨应用调度，现支持MCP。它解决了MCP用户部署、配置难的问题，提供接近自动部署的方法。还介绍了MCP在Raycast中的安装与使用，以及作者常用的支持MCP的客户端。
龙虾之后，为什么说「主动式智能」才是Agent的终极形态？
OpenClaw爆火展现AI Agent主动性，但止步屏幕。Looki最新上线Proactive Intelligence Engine，将自动驾驶工程范式迁移到可穿戴设备，实现从被动到主动的跨越，面临技术和隐私挑战。
X爆火Overleaf科研辅助神奇PaperDebugger
当下学术写作借助大语言模型辅助时，流程繁琐且上下文易丢失。新加坡国立大学团队推出的 PaperDebugger 是基于插件的多智能体系统，寄生在 Overleaf 编辑器内，可完成多任务，解决现有工具不足。
Grok 4作战图刷爆全网，80%华人横扫硅谷！清华上交校友领衔，95后站C位
Grok 4一夜爆火硅谷，一张内部作战图显示其幕后团队华人学者占比达80%，包括Jimmy Ba、吴怀宇等。独立评测中Grok 4成绩优异，但也有人质疑其代码基准结果有过拟合嫌疑。
白嫖10余家AI服务，一个接口全搞定，爽了！
现在主流AI厂商虽有免费额度，但使用起来接口、SDK、限流规则等差异大，适配麻烦。freellmapi项目将Google Gemini等十几家AI平台免费Tier聚合，对外一个接口，自动调度、切换和限速，适合做AI原型开发等。
Claude Code 推出云端龙虾：/schedule 命令让 AI 自己排班干活
Claude Code 发布 `/schedule` 命令，可在云端创建定时任务，让 Claude 自动干活，即便关电脑任务也照跑。该功能用法简单，还支持多种创建方式和执行频率。此外，Claude Code 三月更新频繁，正从编程助手转向自动化成员。
Specula在67个开源系统中找到382个深层bug，数月形式化验证缩短到几小时
截至2026年8月19日，Specula已在67个开源系统找出382个bug。它让coding agent自动生成TLA + 模型和正确性不变量，运行检查并复现问题，将数月的形式化验证缩短到几小时，降低了形式化方法使用门槛。
黄仁勋刚讲完AI「五层蛋糕」，他们就跑通了！算力、模型、Agent一次打穿
英伟达CEO黄仁勋提出「AI的五层蛋糕」架构，易鑫结合汽车金融场景构建全栈式AI体系，从基础设施到业务应用层层推进，解决行业痛点，还开源模型推动共赢。