「智能体评估」共找到 3982 篇相关文章
拖拽式搭建分布式Agent工作流！Maze让非技术人员几分钟搞定复杂任务
大模型智能体落地有诸多问题，Maze分布式智能体工作流框架可提供一站式解决方案。它是集成分布式执行引擎的全能平台，有四大核心优势，还有可视化工具让非技术人员也能轻松搭建工作流。
OpenAI 将发布 Agent Builder，n8n 和 dify 危?
OpenAI DevDay 临近，提前爆料将发布 Agent Builder。其功能丰富，是完整企业级智能体编排平台。这或冲击 n8n、dify 等工具，但它们也有自身优势，DevDay 或成智能体生态分水岭。
OPPO AI重磅发布：深度研究智能体，离“真正好用”还有多远？我们给大模型做了一次全身体检
2025年，Deep Research成AI热点，OPPO AI Agent Team对大模型评测。发布论文，开源评测基准FINDER和失败分类体系DEFT，揭示AI“装懂”“缺乏韧性”问题，还分析模型表现并给出发展建议。
从科学论文自动生成视频
该项目解决学术演示两核心问题，用智能体PaperTalker生成视频，还设Paper2Video基准评估。介绍了PaperTalker使用步骤，含环境、配置、推理，也说明了Paper2Video评估指标及运行方法。
LabVLA：当AI走进科学实验室，浙大x上海 AI Lab联合探索科学具身智能
浙江大学与上海人工智能实验室联合推出 LabVLA，探索更具泛化能力的科学具身智能范式。团队构建仿真数据引擎 RoboGenesis 与语料 LabEmbodied - Data，LabVLA 在多测试中表现良好，还将探索多场景应用。
DeepMind入股硬核网游EVE，要让AI学「黑暗森林」
本周四，Google DeepMind宣布收购《EVE Online》开发商部分股权，将用该游戏研究智能。EVE是高度自由化的沙盒游戏，玩家驱动性强。此前EVE就与科研有跨界合作，此次合作令人期待AI智能体的表现。
斯坦福新论文：微调已死，自主上下文当立
斯坦福大学等机构研究人员新论文指出，依靠上下文工程，无需调整权重，模型也能变聪明。他们提出智能体上下文工程ACE，不依赖模型重训，让上下文自主进化，在多场景测试中表现优于多种方法。
具身智能迎来ImageNet时刻：RoboChallenge开放首个大规模真机基准测试集
近日，RoboChallenge推出全球首个大规模、多任务真机基准测试。它构建开放、公正、可复现的‘真实考场’，为视觉 - 语言 - 动作模型提供评估标准，推动具身智能发展，还提供远程测试服务等。
首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半
Artificial Analysis推出业内首个语音转语音智能体端到端性能基准τ - Voice，测试真实客服场景能力。结果显示最强S2S模型成功率刚过一半，Grok Voice Think Fast 1.0夺冠，但也面临诸多质疑。
刚刚，Cursor 2.0携自研模型Composer强势登场，不再只做「壳」
Cursor 2.0发布重大更新，带来自研编码模型Composer和新协作界面。Composer速度领先，针对软件工程优化；新界面以智能体为中心，可并行运行多智能体，还解决了代码评审和测试瓶颈。