「智能体基准」共找到 4093 篇相关文章
成功率最高暴跌36.9%！南洋理工首个“模糊指令”测试，直击具身智能落地软肋
南洋理工大学MARS Lab团队联合发布测试基准REI-Bench，量化现有具身智能大模型缺陷。在其测试下，主流任务成功率最高降36.9%。研究还剖析错误原因，给出解法，望引起学界重视。
刚刚，DeepSeek Harness震撼开源：一切皆插件
今天凌晨，DeepSeek Harness（开发者预览版）开源。它是构建智能体的SDK与框架，设计理念为“一切皆插件”，代码量大且模块化，通过配置文件组装不同智能体，还具备多方面创新设计和安全策略。
OpenClaw 带火了给 Agent 的专用邮箱，刚拿了 600 万美金打造 AI 时代数字身份
今年AI浪潮中，智能体向“数字员工”演变，OpenClaw加速此趋势。AgentMail获600万美金种子轮融资，为AI智能体打造专属邮箱服务，有全功能API交互等功能，还建立安全防范体系，用户增长快。
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
303页年度最佳AI Code综述：阿里、字节、快手30家顶级机构出品
分享303页《从代码基础模型到智能体与应用：代码智能实践指南》，由近30家顶尖机构出品。介绍2021 - 2025年代码大型语言模型发展，分析通用与代码专用LLM能力，阐明研究 - 实践差距，还开展实验。
开源框架让代码AI偷师GitHub！bug修复率飙升至69.8%，性能创纪录
MemGovern团队联合多高校团队提出MemGovern框架，将杂乱GitHub数据转化为AI可用的结构化记忆。它构建筛选净化流水线，采用先搜后看模式，实验显示能显著提升代码智能体的bug修复率，还具跨领域推广价值。
MotlBot作者被Claude刁难后：MiniMax M2.1是最优秀的开源模型
Moltbot热度不减，开发者挖掘其实用价值，阿里云、腾讯云上线相关云服务。Moltbot作者Peter接受采访，分享项目起源、开发思路等，认为MiniMax M2.1是优秀开源模型，还探讨了智能体发展及项目后续规划。
超脑未来WorldDreamer V4横扫多个权威榜单，世界模型进入群体智能时代
超脑未来发布 WorldDreamer V4，它以多智能体为基本单位，具多种核心能力。采用新预训练架构，引入 Masked Agent Modeling，用共享隐式世界状态带来新协同范式，还在多权威榜单领先。
Langchain创始人最新分享：如何跨越“原型惊艳”到“生产可靠”的鸿沟
近日，LangChain创始人Harrison Chase在Interrupt大会演讲，指出AI行业‘原型易，生产难’痛点。分享优秀Agent工程师四大素质、智能体开发三大关键，还介绍战略预判与产品布局，致力于为智能体工程师提供全周期支持。
你敢信？GPT-5的电脑操作水平只比人类低2%了
Agent S3刷新了计算机使用智能体（CUA）在「OSWorld」基准测试的记录，性能达69.9%，接近人类水平。它引入bBoN实现并行扩展，还精简框架、引入原生代码智能体，已开源并发布论文。