「自动化评估工具」共找到 2864 篇相关文章
首个英文原生「弱智吧」！逻辑谬误数据集与生成框架来了 | AAAI'26
研究发现大模型判断逻辑谬误易误报正常句子，但分类能力较强。研究人员构建英文逻辑谬误基准SMARTYPAT - BENCH，开发生成框架SMARTYPAT，为大模型逻辑评估提供新思路，可用于多领域。
30 小时不眠不休写代码，Claude 4.5 的三个“最佳”
Anthropic发布Claude Sonnet 4.5，宣称其为“世界上最好的编码模型”等。它在测试中表现出色，能力全面提升，价格实惠，开发者测试效果佳。还注重安全，升级开发工具和生态系统。
6K+ star神器！Docker也能跑桌面了，安全隔离还能硬件加速，太绝了！
文章介绍开源工具`x11docker`，它专为 Docker、podman 等设计，能让图形应用在容器正常运行，增强隔离性、避免安全隐患。该项目获 6K+ Star，功能丰富，安装使用简单。
创始人“背刺”员工获财富自由，Devin 接盘火速兑现员工期权，华人 CEO 暗讽：做个人吧！
当地时间 7 月 14 日，Cognition 宣布收购 Windsurf。此前 Windsurf 收购案波折不断，创始人带部分人去谷歌，遭网友吐槽“背刺”员工。Devin 接盘后保障员工权益，还引发对 AI 编程工具竞争的讨论。
研究表明，开源能推动AI创新和经济增长
Siliconangle消息，Linux基金会新研究显示开源对全球经济贡献达9万亿美元。其首席经济学家Frank Nagle指出，AI加入使开源价值评估方式改变，计算开源AI价值复杂，参与开源项目能增加经济价值。
正确答案 ≠ 正确推理，CoT 或成大模型推理能力停滞的「罪魁祸首」？
研究指出当前大模型推理能力评估多关注答案准确性，忽视推理步骤。通过对前沿模型测试发现，2023 - 2024 年大模型推理能力提升停滞，进步靠提示工程，自底向上策略最有效。
一个App管好所有Agent技能，Chops来了
Chops是一款macOS应用，能自动发现所有AI coding agent的技能文件，支持Claude Code、Cursor等工具。功能丰富，技术栈纯粹，需macOS 15 Sequoia及以上，下载地址和文档在GitHub。
AI「解码」古罗马，重现千年铭文真相！DeepMind新模型再登Nature
借助DeepMind推出的生成式AI工具Aeneas，考古学家面对古代碑文不再抓瞎。它是多模态生成式神经网络，能助历史学家解读、归属和修复残缺文本，还可适应其他古代语言、文字和媒介。
Anthropic 提出透明度框架以保障前沿 AI 发展
Anthropic提出新透明度框架，针对大型AI公司，实施安全开发框架评估并减轻潜在风险，要求公开披露SDFs和系统卡片，小型公司豁免，还设执行合规条款，旨在平衡安全与创新。
Anthropic祭出大模型“读脑”杀手锏：LLM决策过程全给你扒开看
Anthropic宣布开源电路追踪工具，可追踪LLM神经元，通过生成“归因图谱”揭示模型输出原因。开源了生成图谱的库和交互式前端，并提供demo notebook。可追踪电路、可视化图谱、检验假设。