「智能体评估」共找到 3982 篇相关文章
世界模型+强化学习=具身智能性能翻倍！清华&加州伯克利最新开源
具身智能发展中样本效率成瓶颈，传统无模型强化学习依赖盲目试错。清华与加州伯克利团队提出BOOM框架，通过自举循环机制解决在线规划与策略学习矛盾，实验表现卓越，为具身智能落地提供支撑。
用于评估AI Web渗透测试能力的工具：XBow Bechmark,比靶机更好
文章介绍了用于评估AI Web渗透测试能力的XBow Benchmark，它已在github开源。该基准含104个Web安全挑战，涵盖多种漏洞，设计确保可重复性和状态持久性，其评估能力获广泛认可，还介绍了开源内容等。
智能体自己出现问题自己找！首次提出“自动化失败归因”课题 | ICML2025 Spotlight
LLM Multi - Agent系统失败诊断难，阻碍迭代优化。宾夕法尼亚州立大学等机构研究者首次提出“自动化失败归因”课题，构建Who&When数据集，开发评估多种归因方法，实验揭示当前方法不足。
4.8K Star！一套面向设计工程师的 AI 编码智能体 UI 技能集合！
前端开发中AI生成代码质量参差不齐，ui - skills项目应运而生。它由开发者ibelick创建，是面向设计工程师的UI技能集合，将开发经验转化为规则，通过CLI工具让AI按规则构建和审查代码，已获4.8k Stars。
具身智能落地四问：路线图、陷阱、生态位与破局思路｜甲子引力X
在「渡口——甲子引力X2025科技产业投资大会」上，梅卡曼德创始人邵天兰探讨具身智能落地问题。他指出落地有陷阱，企业应耐心发展；智能机器人对手是人工与专用设备，要找生态位，梅卡曼德做通用组件应对挑战。
真实评估！北理发布全球首个「全场景教育」基准，支持4000+情境
北京理工大学高扬老师团队推出EduBench，是全球首个「全场景教育」基准，涵盖9大教育场景、12个评估维度、超4000个情境。团队将数据、模型等全面开源，评估发现大模型在特殊教育场景有不足，还提出多源知识蒸馏等方法。
抢先OpenAI？AIUI全新升级燃爆22亿终端，国内大厂定义智能交互
科大讯飞围绕智能交互场景，对AIUI、机器人超脑等4大平台全面升级。其AIUI以大模型为引擎，有儿童专属交互方案，还推出智能眼镜“三麦阵列”等，各平台在多领域应用成果显著。
汪军对话 Rich Sutton：大模型在一定程度上分散了我们对智能理解的注意力
在RL China 2025开幕式上，汪军与图灵奖得主Richard Sutton对话。Richard认为大模型缺乏目标和奖励，分散对智能理解的注意力。他强调RL核心是从经验学习，智能原则含梯度下降等，建议将目标解读为“奖励”。
GDPS 2025｜宇树、智元首次同台，上海如何以「应用」领跑具身智能竞赛？
全球开发者先锋大会（GDPS 2025）是具身智能赛事检验场，它将赛场设在真实应用环境，以应用需求为导向推动技术落地。上海以应用和生态赋能推动具身智能产业化，构建产业闭环。
谷歌前CEO深度专访：AI、智能体会重塑世界
谷歌前CEO Eric Schmidt在Ted专访中，从AI起点AlphaGo说起，阐述其从大模型到自主决策智能体的发展，还提及算力电力需求增长、监管、开源等问题，虽挑战多，但他对AI重塑世界充满信心。