「评估工具」共找到 2519 篇相关文章
刚刚，Claude最新功能泄露！主动助手Orbit接管一切工作
2026年5月4日，testingcatalog挖出Claude隐藏功能Orbit，大概率会在5月6日Code with Claude大会发布。Orbit是主动式简报+洞察系统，跨Claude和Claude Code平台，能自动生成多工具简报，改变产品形态。
The Batch: 952 | GPT-5.5 性能领先，但幻觉问题突出
OpenAI 最新旗舰模型 GPT-5.5 是闭源视觉 - 语言模型，在重要基准测试中表现领先，但在区分已知未知内容上有困难，幻觉问题突出，在主观评估中落后于对手。
北大开源统一世界模型框架：多类合成推理任务一套搞定
世界模型研究中，不同任务存在接口不统一等问题。北大DCAI课题组联合多方推出OpenWorldLib推理框架，整合多模态能力，构建标准化接口体系，在多任务上评估效果良好，降低研发门槛。
刚刚，Anthropic深夜血洗500亿美金行业！代码审计末日来了
Anthropic的Claude Code新增代码评审功能，挑战500亿美元的传统代码审计行业。新工具成本低，能自动化评审，减少误报，准确率超多数人类评审员，或引发行业大洗牌。
MiniMax 上市后的第一个开源：给 Coding Agent 立个规矩
2026 年初 MiniMax 成功上市港股，市值达 1100 亿港币。其上市后首个开源项目 OctoCodingBench 聚焦 Coding Agent 评估，解决规则复杂时 Agent 合规问题，为其立规矩，有重要社区价值。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
“豆包工作”已经是我的主力 Agent：查数据、做内容、协作，一条链全接住
这几天豆包工作推出独立应用，作者用两天后将其作为主力 Agent。它把模型能力和工具生态组合成工作系统，能拿齐信息、加工材料，产物可交下一步，还能跨端接力。
Claude Science几周干完两年活，10倍科研提速真来了？
2026年6月30日，Anthropic发布Claude Science，定位面向科学家的AI工作台。它将科研拆成可审计流水线，整合工具链，自带可追溯代码，有协调与审查智能体，首落生命科学领域，与Google、OpenAI玩法不同。
Common调查数据，72%美国青少年使用过AI伴侣
美国非营利组织Common Sense Media研究显示，72%美国青少年至少试过一次AI伴侣，52%为定期用户。研究还考察了使用行为、原因、感受等，如近半视其为工具，50%不信任其信息。
Cursor SDK正式发布，“cursor” inside！
四月最后一天，Cursor正式发布TypeScript SDK，将智能代理运行时打包成可编程组件，跳出编程工具定义。它提供完整开发套件，支持双模部署，已有公司用其做三件事，还包含关键部分，Composer模型开放有战略价值。