「评测环境」共找到 1070 篇相关文章
TRM思考奖励模型上线，大模型推理质量终于能量化了 | ICML‘26 Oral
大模型推理评测多只看答案，忽略推理过程。上海多校团队提出TRM，用ME² principle刻画推理质量，DAG-based pairwise evaluation还原结构，训练奖励模型，让推理质量可度量、训练和优化。
不安全指令，一拒了之？TRIAD用三路决策：修复AI智能体的危险计划
墨尔本大学团队开源TRIAD框架，将传统二元护栏决策扩展为继续、更新、拒绝三类。通过自然语言反馈引导Agent修正计划，在ASB和AgentHarm评测中，显著降低攻击成功率，提升正常任务完成率。
独家｜「中科第五纪」完成数亿元A轮融资，率先开启海外商业落地
AI科技评论独家消息，具身智能企业「中科第五纪」近日完成数亿元A轮融资，年内已完成三轮。该公司还收获海外数亿订单。其提出超少样本具身操作大模型等核心技术，形成完整技术体系。
Anthropic 调整 Claude 额度；黄仁勋最后登访华机；GPT-5.6加速来袭；李彦宏提出AI新指标DAA
2026年5月14日AI资讯日报涵盖多领域动态。新闻有Meta田渊栋创业、黄仁勋访华等；产品应用涉及Hermes Agent、百度秒哒3.0等；推荐文章含腾讯程序员构建执行环境等观点。
这周六，聊聊具身数据、模型与落地场景｜沙龙报名
当下具身智能进入加速期，但具身模型从Demo走向真实世界运行路径复杂，存在技术路线未收敛、数据匮乏等问题。量子位等联合发起沙龙，4月25日周六14:00，一线从业者与研究者将分享经验，探讨具身智能关键环节。
谷歌开源 Colab MCP Server，AI 智能体可云端运行代码
谷歌开源 Colab MCP Server，使 AI 智能体通过 MCP 与谷歌 Colab 交互，将本地智能体工作流与云端执行环境打通，解决本地部署局限，还反映 AI 智能体与外部工具交互标准化趋势。
换掉小龙虾！Hermes全网爆火狂揽四万星，Anthropic重锤暴击OpenClaw
近期两大AI新物种冲击OpenClaw。Anthropic上线的Managed Agents实现大脑与执行环境分离，有降维打击效果；Hermes Agent开源且在GitHub揽4万星，有学习闭环，让OpenClaw显得过时。
Hermes Agent 技术深度拆解：36000 Star 背后的架构设计，以及你该怎么用它
Hermes Agent 9 个月获 36800 Star，解决记忆断裂、能力天花板和平台绑定问题。它有四层记忆架构、自主技能进化，支持 200+ 模型，还有 40+ 内置工具、15 个平台适配器。最新 v0.8.0 版本有多项更新，文章还给出使用建议和对比。
断层碾压Seedance 2.0：神秘「欢乐马」空降榜首，视频AI变天了
周二晚间，代号「HappyHorse - 1.0」的神秘视频生成模型在 Artificial Analysis 平台空降榜首，不论文字生视频还是图像生视频都排第一，拉开 Seedance 2.0 很大差距，不过在「视频 + 音频」综合排名上屈居第二，引发诸多猜测。
AI数据工程师在应用中如何"返璞归真"
文章反思‘知识库+Prompt工程+工具调用’轻量级Agent构建模式局限，指出其难应对知识质量、语义理解与规模化维护挑战。提出从‘Prompt驱动’到‘上下文工程’、从‘搭积木组装’到‘全链路闭环’的范式跃迁，并介绍MktAI知识体系建设。