「体验差」共找到 1047 篇相关文章
AI 智能体实践评估：基准、框架与经验总结
文章为将 AI 智能体从原型落地到生产环境的团队提供实用评估框架。指出传统评估不适用于智能体，介绍评估工具，阐述五大评估支柱，还给出基于 Claude 和 LangChain 的评估示例及实践经验。
OpenAI连夜爆出GPT-5.4! 紧急上新GPT-5.3反击谷歌, AI爹味治好了
谷歌DeepMind推出Gemini 3.1 Flash - Lite不到2小时，OpenAI上线GPT - 5.3 Instant，不卷跑分，专治「聊天翻车」，幻觉率降27%，写作能力提升，还剧透GPT - 5.4更快到来。
字节跳动发布Seed 2.0系列模型，数学能力超越GPT-5.2 High
字节跳动Seed团队发布Seed 2.0系列模型，含Pro、Lite和Mini版。该系列在数学、代码、多模态理解等方面表现出色，价格优势明显，但在编程、事实准确性上与部分竞品有差距，已开放API。
视觉强≠能干活！清北普林斯顿等开源WorldArena，世界模型评测被颠覆
2026 年 2 月 13 日，清华、北大等顶尖机构联合推出的 WorldArena 面向全球开源。这是首个‘功能 + 视觉’统一评测体系，撕开了‘美丽视频’伪装，让评测从‘审美导向’走向‘功能导向’。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
Sora终于开放上传真人照片生成视频了
本周起，符合条件的Sora用户可上传含人物照片制作视频，使用前需声明获人物同意。这是Sora受期待功能之一，有严格限制，且照片转视频功能审查更严，此为OpenAI平衡之举。
重磅！谷歌开放世界模型Genie 3试用：AI实时生成可玩世界，人人都能创造“我的世界”
谷歌开放世界模型Genie 3实验性研究原型Project Genie试用，美国18岁以上Google AI Ultra订阅用户可体验，能创建、探索和重混互动世界，不过Genie 3是早期研究模型，有待改进之处。
拿着做数学题的 PRM 来评判 Agent 调用工具，基本是行不通的！
目前评估体系多为结果导向，在工具调用上缺乏像样的PRM基准。Arizona State University和Intuit AI Research研究者推出ToolPRMBench，指出用做数学题的PRM评判Agent调用工具行不通，还介绍了其构建方法、训练范式和实验结果。
2026年，腾讯正式用元宝派杀入了AI社交。
2026年开年，腾讯用元宝派进军AI社交赛道。元宝派玩法新颖，有独特社交体验，还能与元宝交互，如生成图片、总结消息、制定日程等。虽内测有小毛病，但未来可期。
Qoder @database功能上线！自动关联数据库 Schema，后端 AI Coding 效率拉满
Qoder JetBrains插件上线@database功能，将数据库能力内置为核心上下文，可一键让AI结合真实业务表结构处理SQL编写等任务。它是JetBrains上唯一深度支持“数据库原生感知”的AI Coding插件，还介绍了使用方法、场景及注意事项。