「幻觉评估」共找到 918 篇相关文章
迈向无缝共生：大模型GUI Agent的「屏幕图灵测试」与拟人化之路
多模态大模型使GUI Agent能模拟用户执行任务，但也引发与平台的利益冲突。论文提出“屏幕图灵测试”和AHB基准评估拟人化能力，探讨拟人化策略及权衡，为Agent在数字世界共生提供指南。
高盛怕了！Claude Mythos全球首个攻破企业网络，奥本海默时刻来了
英国AI安全研究所研究显示，Anthropic发布的Claude Mythos Preview模型在网络安全评估中表现惊人，能全自动、全自主完成企业网络攻击模拟。高盛为此加强网络防御，人类网络安全或进入奥本海默时刻。
Agent = LLM + Memory + Planning + Tool Use
文章指出LLM设计无状态，产生幻觉，超长上下文窗口也无法解决记忆问题。介绍人类记忆的三个系统，阐述Agent记忆四层演化及每层问题，推荐开源项目Cognee将向量、图、关系型结合互补。
警惕！“养龙虾”风险，一键给你的Openclaw做安全体检
OpenClaw在短时间内登顶GitHub开源榜首，国内企业纷纷部署。但它存在安全隐患，如漏洞、隐私风险等。朱雀实验室联合腾讯云EdgeOne推出「OpenClaw安全体检」功能，可自动完成全面体检与风险评估。
yann lecun（杨立昆）新公司AMI融资10亿美元，要做LLM的替代品
Yann LeCun离开Meta后与Alexandre LeBrun创立AMI Labs，获10.3亿美元融资。他们认为LLM有幻觉问题，AMI Labs用JEPA架构构建‘世界模型’，代码和论文将开源，不过短期内无产品和收入。
谷歌研究院探索多智能体协调的扩展原则
谷歌研究院对180种智能体配置对照评估，得出‘AI智能体系统首批定量扩展原则’。发现多智能体协同效果因任务而异，还指出工具使用瓶颈等问题，且开发预测模型辅助架构选择。
YC总裁转发、登顶Hacker News：SkillsBench揭开Agent技能扩展的残酷真相
近日论文《SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks》引发海外AI社区关注。研究聚合47150个Skills，经严格筛选评估，揭示人工构建Skills效果好、AI自生成无效等核心发现，为AI研发指明路径。
引爆千亿市场！杭州AI再出王炸：刷新自研天花板，“三甲专家大脑”装进14亿人口袋
在2026智诊科技AI发布会上，智诊科技完成蜕变。其发布的Wise MemOS 2.0打破传统局限，WiseDiag V2有深度多模态联合分析能力，WiseResearch让AI告别幻觉，“好伴AI”下放技术，服务大众。
手把手带你构建第一个业务本体（Ontology）：为 Agent 绘制业务地图。
文章介绍为企业AI Agent构建业务本体，阐述Agent需本体的原因，讲解TBox与ABox概念。给出构建流程，介绍RDF/OWL标准及Protégé等工具，实战构建‘订单加急交付’本体并验证，还演示Python程序推理，展望本体应用场景。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。