「安全评测」共找到 1493 篇相关文章
狂揽4万星！换掉OpenClaw太爽了，5美元就能养个AI打工人
Hermes Agent是NousResearch推出的开源Agent神器，上线后在GitHub超4万星。它运行在用户服务器，有六大核心特性，能跨平台对话。技能自维护，形成记忆 - 技能 - 训练数据闭环，应用场景丰富，演进注重安全、稳定与智能。
追更太累，桌面版AI帮我把 OpenClaw 的剧情补齐了
作者因OpenClaw信息爆炸跟不过来，想到让AI帮忙。介绍了AI播客自动化案例及Cowork短板，引出天工Skywork桌面版。用其处理视频、监控AI社区，还构建安全屏障，该工具打通内容创作和信息监控闭环。
用「进化+压力测试」自动生成的竞赛级编程题，各家大模型谁更hold住？
北京大学与通用人工智能研究院联合提出 UniCode 框架，构建进化式评测系统，能自动生成高质量算法题目与抗污染测试用例。通过对 19 个前沿大模型测试，展现高挑战性与强判别力，为代码能力评估开辟新路径。
Mistral AI发布一站式编程助手Mistral Code
法国开源大模型平台Mistral AI发布一站式编程助手Mistral Code，旨在解决企业开发人员使用AI编码工具时的合规与安全障碍。它基于Continue开发，集成四个大模型，还能在私有代码库微调，获早期客户认可。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。
奥特曼马斯克豪言：我们已进入奇点！AGI加速窗口已至
新智元报道，奥特曼和马斯克都认为奇点已至，当下处于AGI加速窗口。OpenAI曾靠资源猛追让Codex逆袭。但AI发展也引发担忧，如人类能否保持理智、安全对齐进展不明等。
Sam Altman被纽约客指控撒谎成性
纽约客调查指Sam Altman撒谎成性，如将安全承诺当融资工具，骗董事会等。Paul Graham私下指其撒谎，公开却替他洗地。出走的Dario创办Anthropic，收入反超OpenAI，产品更受开发者青睐。
医疗领域DeepSeek时刻：蚂蚁 · 安诊儿医疗大模型正式开源，登顶权威榜单
2026 年初，OpenAI 报告显示不少人用 ChatGPT 咨询医疗问题，还发布了 ChatGPT 健康。近日，蚂蚁集团等开源的蚂蚁・安诊儿医疗大模型或成最优解，它参数量大，在多评测中登顶，技术优势明显。
空间智能终极挑战MMSI-Video-Bench来了，顶级大模型全军覆没
上海人工智能实验室 InternRobotics 团队推出空间智能视频基准 MMSI-Video-Bench，对主流多模态大模型进行评测。该基准题型全面、问题具挑战性，视频数据多样，能针对性测评。结果显示模型与人类差距显著，明确了能力瓶颈。
浙大联手字节：开源大规模指令跟随视频编辑数据集OpenVE-3M
浙江大学与字节跳动合作，提出大规模指令跟随视频编辑数据集 OpenVE-3M，有 3M 样本对。还提出数据构造管线、编辑模型 OpenVE-Edit 及评测集 OpenVE-Bench，小参数量下超越现有开源模型。