「评测系统」共找到 2235 篇相关文章
具身智能“高考”难疯了！人类100分，最强模型12.8
原推出RoboTwin系列基准的团队带来RoboDojo，这是统一的仿真+真实世界机器人操作评测基准。它设42个仿真任务、18个真实任务，让30个主流策略竞技，结果显示机器人距通用操作差距大。
兼顾效率、成本与能力，百灵开源旗舰推理模型 Ring-2.6-1T
5月15日，蚂蚁百灵开源旗舰级推理模型Ring-2.6-1T，权重文件上线Hugging Face、ModelScope平台。该模型有万亿参数，‘按需思考’，在代理执行、推理机制、训练范式三方面升级，评测表现出色。
第 4 章 Agent 开发实战
本章面向理解大模型、会 Python 但未系统搭建过 Agent 的工程师，采用「概念 → 最小示例 → 可运行项目」结构，介绍 Agent 开发实战，涵盖 LCEL 拼装、工具暴露等内容，还说明了开发环境搭建方法。
DeepSeek急招Agent方向！一口气放17个岗位，重度Vibe Coding用户优先
DeepSeek一口气开放17个招聘岗位，核心聚焦Agent方向，覆盖算法研究、数据评测、基础设施等全链条。岗位要求显示其Agent布局从研究落地到能力建设，还追求数据闭环与技术栈全面布局。
爆火的OpenClaw怎么玩？谷歌老哥40天打磨终极配置单开源：让你的龙虾越养越聪明，自动打怪升级
OpenClaw正掀起AI狂潮，谷歌高级AI产品经理Shubham Saboo经40天实战打磨出OpenClaw Agent终极落地方案。其系统架构分身份、操作、知识三层，文件不断进化，文末附实操路线图。
LinkedIn 重构服务发现：在大规模环境中用 Kafka 和 xDS 取代 Zookeeper
LinkedIn 工程博客中，Bohan Yang 介绍升级基于 ZooKeeper 的传统服务发现平台项目。因传统系统有扩展性问题，团队开发新架构，分离读写路径，实施双读双写机制，迁移后数据传播延迟显著改善。
从答题到做实验：SciAgentGym让大模型进入科学工作流
复旦大学NLP实验室提出SciAgentGym，为科学智能体搭建工作流环境，还设计了评测集SciAgentBench。实验显示模型接入工具能提升成功率，但长流程任务性能下降。论文还提出SciForge构建训练数据，提升了模型表现。
蚂蚁集团领投，光轮智能20亿美元估值引领全球具身数据基础设施｜甲子光年
具身智能市场逻辑生变，从关注模型和本体转向数据与评测基础设施。光轮智能获蚂蚁集团领投，估值超20亿美元。其构建完整闭环，参与国际标准制定，打造物理AI教育系统，引领产业发展。
GPT-5.4 仅 11.36%！当大规模工具生态变成迷宫，LLM Agent 还能完成长程规划吗？
PlanBench-XL 来自 UIUC 团队，将 LLM Agent 放入零售 API 世界，评测其长程规划能力。它考虑真实工具环境挑战，含 327 个任务等，发现多数模型规划难、恢复差等问题，并给出改进启示。
从Foundation Model到Physical AI，三星「杀入」大模型核心战场
三星正快速进入大模型核心战场，构建Foundation Model体系，采购GPU用于AI基建。它提出Meki架构、M2RL训练范式和LiveClawBench评测体系，由AI Model TF团队推进，负责人是唐业辉。