「自动化评估」共找到 1147 篇相关文章
Lilian Weng：Harness才是模型自我迭代的现实起点和关键，而不是直接重写权重
Thinking Machines Lab联合创始人Lilian Weng发文指出，实现AI递归式自我改进（RSI），设计围绕模型的执行系统“Harness”才是现实起点。文中详述Harness设计模式、优化路径，也指出自我改进面临的瓶颈。
离谱！我以为 OCR 还在一页页抠字，结果百度 1.2 万 Star Unlimited-OCR 直接把长文档一口气读完
百度开源的Unlimited - OCR项目目标是处理图片、长文档等资料，将其转化为Markdown等结构化结果。它提供多入口，解决传统OCR处理长文档的问题，有多种应用方向，但也有边界。
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
AI科研全周期拆解：从选题到宣发，哪里能放手，哪里得盯着
Awesome AI Auto-Research Team 综述梳理 AI 科研全周期能力与局限，按四阶段八环节拆解，介绍五种方法范式，指出各阶段应用情况、瓶颈及规律，强调人本治理的 AI 辅助科研才是可信路径。
Hermes推出Curator功能：自动清理Skill 仓库
Hermes推出Curator功能解决技能仓库膨胀问题。它每7天（可配置）自动运行，检查技能使用频率等数据，将30天未用技能标记为‘stale’，90天未用的移至归档目录，还能建议技能合并方案。
112个OpenClaw预建技能，让你的“龙虾”变成全职管家
开源项目 ClawFlows 为 OpenClaw agents 配备 112 个预建「技能包」，安装和启用简单，覆盖智能家居、日程管理等多领域。工作流以 markdown 文件呈现，支持多种语法，可修改分享，但有使用限制和质量差异。
Anthropic发布AI就业冲击报告，数据让人意外
Anthropic发布AI对劳动力市场影响的报告，基于真实数据和理论智能分析。提出“观察暴露度”新指标，揭示AI理论能力与实际应用差距大，还给出高危职业排行，分析受影响人群、安全职业等。
ICLR 2026 Oral｜多模态知识图谱对齐难：破解噪声关联至为关键
在数据多元化时代，多模态知识图谱能为下游应用提供数据支撑，实体对齐是构建知识图谱的核心技术。但大规模知识图谱关联与融合面临噪声和潜隐关联挑战。四川大学团队提出 RULE 方法，缓解了这些影响，论文被 ICLR 2026 接收为 Oral。
学术海报不用愁，一句话精准自动编辑，华东师大开源APEX
华东师范大学Planing Lab提出APEX框架，能通过自然语言指令实现学术海报局部可控编辑，引入「审查—调整」机制提升可靠性。还构建APEX - Bench评估，实验显示APEX优于其他方法。
AI视频生成平台
酷模Cumob AI是基于Next.js构建的AI内容生成平台，集成多AI服务提供商API，有漫画生成等工作流，具备并发处理、资源管理等优化，支持多种部署，有诸多功能特性与亮点。