「进化式评测系统」共找到 2747 篇相关文章
Agent记忆赛道大洗牌！LoCoMo-Refined重磅发布，主流记忆框架迎来核心检验
南京大学与上海人工智能实验室联合推出 LoCoMo-Refined，这是严苛的 Agent 记忆评测基准。它指出当前记忆评测基准有两大漏洞，在其标准下主流记忆框架得分普降，且相关数据集和评测脚本已开源。
The Batch: 893 | 从预测到执行
2026 年 AI 研究应认识到能预测的模型不等同于能行动的系统。过去十年在被动预测和生成建模成就非凡，但现实任务需系统执行一系列动作。转向长周期任务和目标导向 AI 系统有两大好处。
AgentFS：把SQLite作为智能体状态存储
SQLite适合记录代理状态等，但在Agent系统中缺优雅应用案例。AgentFS是基于SQLite为AI智能体设计的状态管理系统，核心是Turso实现的存储系统，结合三个关键组件，提供四个主要组件，目前处Alpha阶段。
一夜200万阅读，OpenAI神同步！这项测评框架让全球顶尖LLM全翻车
中国团队领衔全球24所高校机构发布评测LLMs for Science能力的论文，一夜阅读近200万，同一时间OpenAI也发文指出现有评测标准在AI for Science领域失灵。论文推出评测体系SDE，发现主流大模型在科学发现上短板明显。
百万人围观，「上下文图谱」火了，万亿美元新机遇？
本文围绕智能体对记录系统的影响展开讨论。有人认为智能体将摧毁记录系统，也有人反驳，指出其会提高记录系统标准。文章重点介绍上下文图谱概念，它是决策轨迹的长期积累，有望成万亿级新机遇。同时分析传统厂商构建难题及创业公司路径。
使用最新的 Claude 4，我用两天就开发出一个视频编辑器，但却无法维护
作者用Claude 4两天开发出视频编辑器，却难维护。分析原因，指出AI编程在模块级强，但系统层面不足，还列举网友讨论，探讨AI在软件工程各方面的能力及局限。
华中农大“魔改”芯片电镜，揭示共生固氮暗藏百年的秘密
华中农业大学苏超和刘培文教授团队“魔改”芯片电镜，构建三维显微观测系统，揭示根瘤菌进入宿主细胞路径，发现果胶裂解酶作用，该技术在植物科学属首次应用，有望助农业减氮肥。
为什么只有人类雌性有月经？
月经并非人类独有，但极其罕见。人类进化出侵入性强的血绒毛膜胎盘，子宫需自发性脱膜化做准备。因母胎冲突，内膜有防御筛选机制，没受精卵着床时内膜只能出血脱落，即月经。
PagerDuty 的 Kafka 故障导致数千家公司无法收到报警
2025年8月28日，事件管理平台PagerDuty遭遇重大服务中断，超9小时服务降级。原因是新功能缺陷使Kafka集群使用量超系统容量，引发连锁反应。公司列出改进承诺，社区强调系统要有冗余备份。
从需求分析到代码生成，LLM都能干点啥？一文读懂291个软工Benchmark！
大语言模型重塑软件工程各环节，但缺乏评估其在该领域表现的系统工具。浙江大学等机构团队首次对291个软件工程Benchmark系统综述，分析现状、痛点并给出改进方向。