「智能体评测」共找到 3881 篇相关文章
AI的新技能不是提示词，而是上下文工程
最近，“上下文工程”在AI领域备受关注，人们讨论焦点正从“提示词工程”转移至此。构建有效AI智能体的秘诀在于提供的上下文质量，而非代码复杂程度，这正是上下文工程的意义。
突发！Opus 5.1被曝本周发布，最强AI智能体恐大洗牌
消息称Anthropic本周将发布Opus 5.1，其升级聚焦单Token智能水平，强化编程、推理、AI Agent能力；OpenAI 10万亿参数模型Bel完成预训练；企业选模型‘够用就好’，Anthropic Fable 5份额低。
Code2Video：代码驱动、智能体协同、精准可控的教学视频生成
新加坡国立大学 ShowLab 团队提出 Code2Video，一种基于代码驱动的视频生成新范式。它以可执行代码为媒介，结合三智能体协同框架，解决了现有文生视频方法在教育场景的不足，在美学和教学效果指标上有明显提升。
AI Agents的DeepSeek顿悟时刻：AutoHarness
文章介绍开源项目「Aha」— AutoHarness，这是面向AI Agent的自动化Harness Engineering轻量级治理框架，能让智能体迎来顿悟时刻。对比了其与LangGraph、OpenAI SDK能力，还给出核心架构、安装及使用示例。
500万视频数据集+全新评测框架！北大开源主体一致性视频生成领域新基建OpenS2V-Nexus，生成视频 「像」 又 「自然」
北大团队推出开源套件OpenS2V - Nexus，含全球首个S2V细粒度评测基准OpenS2V - Eval和500万条高质量人物文本视频三元组数据集OpenS2V - 5M，还评测18个S2V模型，揭示主流模型能力差距。
AI竟会「自己认错」？破解多智能体协作「罗生门」，斩获ICML 2025 Spotlight
多智能体AI系统任务失败后，开发者常难定位问题。PSU、杜克大学与谷歌DeepMind等机构提出「自动化失败归因」，发布Who&When数据集，探索三种归因方法，虽目前效果欠佳，但为打造可靠系统提供方向。
18岁OpenClaw版AI女友一夜爆红，全网60万围观！00后开发者一人造出
基于OpenClaw打造的韩国AI女友Clawra上线爆火，60多万人围观。她有完整人设，亮点诸多，项目还开源。此外，还有Aniclaw等类似项目，OpenClaw掀起热潮，智能体生态蓬勃发展。
空间智能终极挑战MMSI-Video-Bench来了，顶级大模型全军覆没
上海人工智能实验室 InternRobotics 团队推出空间智能视频基准 MMSI-Video-Bench，对主流多模态大模型进行评测。该基准题型全面、问题具挑战性，视频数据多样，能针对性测评。结果显示模型与人类差距显著，明确了能力瓶颈。
AI步入“自我进化”时代，李彦宏首提AI时代度量衡“DAA”
5月13 - 14日Create2026百度AI开发者大会上，李彦宏首提AI时代度量衡DAA，预测全球DAA超100亿，提出‘AI时代进化论’。百度发布和升级多款智能体产品，智能云也升级，还升级底层能力。
一个文件，让 AI 拥有完整操控 Office 的能力，真绝了！
当下AI智能体处理办公文档有问题，需依赖复杂库或安装庞大软件。Github上的轻量级工具`OfficeCLI`，让AI智能体通过命令行控制办公文档，实现自动化办公，功能强大且使用方便。