「自动化评测」共找到 1070 篇相关文章
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
有人只用API就猜出了GPT、Claude、Gemini的参数量？社区吵翻了
研究人员李博杰在arXiv发布论文，提出“不可压缩知识探针”评测框架，仅通过黑盒API调用逆向估算LLM参数规模，给出GPT-5.5等模型参数量估算，引发社区广泛讨论与争议。
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。
Qoder CLI + Harness Engineering 实战：构建 7×24h 无人值守用户反馈自动处理系统
在 Qoder 产品用户反馈增多、人力处理流程痛点凸显的背景下，构建 7×24 小时无人值守的用户反馈自动处理系统。该系统分四个核心模块，基于 Qoder CLI 实现，显著提升处理效率。
Claude深夜彻底「虾化」！一句话接管电脑打工，手机指挥7×24小时不停
Claude获批全自主接管全球打工人的电脑，能自主访问并操作各类软件。只需手机发指令，它就能干活。Anthropic还在研发手机使用功能，敲/schedule命令能让Claude定时工作，成全天候员工。
居然 11.5K star 了，这个一人公司的秘密项目有啥魔力！
做自媒体和内容运营重复工作多、效率低。开源项目`AiToEarn`用AI+自动化整合内容创作、发布等环节，支持多平台，有11.5k+ star，还介绍了安装使用方法。
OpenClaw 火了半年，Agent 执行层依然是工程空白
当前主流 Agent 工具链执行层基本空白，Violoop 是少数在执行层做系统化设计的项目。它是桌边触屏硬件，获取三类运行时数据，具备感知 - 判断 - 执行运行时，有多种核心能力，适合特定场景团队评估。
Anthropic 估值 3800 亿，增长营销只有 1 个人，还不会写代码
Anthropic估值3800亿美元，增长营销团队仅一人。该负责人用Claude Code搭建自动化工作流，完成传统团队多人的活。不止营销部门，其他部门也用它提效，反映OPC趋势。
OpenClaw 走红背后：Agent、AI Coding 与团队协作的新问题
InfoQ《极客有约》X QCon 直播栏目邀请专家探讨 OpenClaw 爆火背后的问题，如 Agent 能否进入研发流程、AI 写代码边界等。专家认为 OpenClaw 并非低门槛产品，AI Coding 需解决可控问题，团队落地要平衡 SPEC 和 Vibe 模式。
刚刚，Anthropic分享了构建Skills的最佳实践
Anthropic获300亿美元融资，估值达3800亿美元，发布《The Complete Guide to Building Skills for Claude》指南。介绍Claude Skills本质、与MCP关系、应用场景、技术实现、设计模式及测试迭代方法。