「测试框架」共找到 3112 篇相关文章
Opus 5通关ARC-AGI-3！Harness正在变成捆住模型的绳子
ARC Prize官方给Opus 5的ARC - AGI - 3成绩为30.2%，但开发者Jeremy Berman让其借助电脑，正确率飙升至96.2%。还开源代码，换用Codex等测试效果差。表明模型强时，简单环境更佳。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
国产黑马自优化「超级大脑」，全闭环Agent杀疯！一站式AI原生基建来了
AI加速落地，行业需可持续进化系统框架。清华系中数睿智将全新框架集成到语思智能平台，其5D - RAG框架破传统RAG痛点，且在多领域落地，为产业智能升级提供路径。
一键部署，100+安全工具，一句话就能打靶！
网络系统复杂，传统渗透测试繁琐低效。开源项目CyberStrikeAI基于Golang开发，集成100+安全工具，通过自然语言对话让安全测试变简单，在GitHub获2.6K+ Star，优势显著。
Google刚刚开源的一款AI工具，Gemini 2.5驱动浏览器自动化！
Google在GitHub开源AI浏览器自动化工具Computer Use Preview，基于Gemini 2.5模型，用自然语言控制浏览器完成复杂任务。支持双环境，集成Gemini API/Vertex AI，适用于Web测试等，零代码入门。
从物竞天择到智能进化，首篇自进化智能体综述的ASI之路
普林斯顿大学等机构研究者发布首个自进化智能体综述，为领域建统一理论框架和路线图。综述给出形式化定义，围绕What、When、How、Where构建分析设计框架，还探讨评估范式并指明未来方向。
Pinterest 基于 CDC 的摄取系统将数据库延迟从 24 小时缩短至 15 分钟
Pinterest 推出新一代数据库摄取框架，突破传统批处理局限。旧系统延迟高、运维复杂，新框架基于 CDC 等构建，处理有变化记录，将数据延迟从超 24 小时降至 15 分钟，还节省成本。
最新研究！大模型“角色扮演”无效了？
沃顿商学院研究测试6个主流AI模型，进行超25000次测试，发现告诉AI扮演专家角色，不会让其回答更准确，反向设定‘低知识’角色有时表现更好，角色扮演不是提高准确性的万能钥匙。
全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题，能检验AI深度认知能力；HistAgent集成多种工具，在测试中表现优异。
揭秘大模型Steering：从底层机理到系统评估，全面破解大模型行为控制之谜
近期《Science》研究表明可解析AI内部表征实现通用引导与监控。浙大联合阿里两篇ACL 2026主会论文，揭示Steering工作原理与能力边界，还开源一站式框架EasyEdit2，全面展示了Steering价值。