搜索：大模型评估 - AI Reading Hub

「大模型评估」共找到 9627 篇相关文章

Qwen3.6-Max-Preview来了！

继Qwen3.6 - Plus发布，推出Qwen3.6 - Max - Preview预览版，相比前者有更强世界知识、指令遵循能力，智能体编程表现显著提升。可在Qwen Studio交互，也将通过阿里云百炼API调用。

Anthropic发表Automated Weak - to - Strong Researcher，用9个并行的Claude Opus Agent组成自动化研究团队，5天就把PGR从人类的0.23提升到0.97，成本约$18,000，证明AI自动化研究可行。

Claude Code开发者Thariq分享管理百万上下文的心得。介绍了context概念、腐烂问题及压缩机制，提出完成操作后的五条岔路，还给出不同场景的决策建议，强调会话管理要平衡信息量和注意力。

文章介绍了AI工程架构本质，阐述Garry Tan倡导的智能体工程三原则，分析架构分层，包括Fat Skills、Fat Code和Thin Harness层，还通过案例展示技能文件进化特性，提及社区讨论、边界迁移和工程纪律价值。

作者因想搞懂 Agent 原理，且市面上缺系统学习资料，决定手写一份教程，即《动手写 AI Agent》。书中 Ling 是从零手写的编程助手，介绍了其 8 个应用场景、技术规格，还说明了适合读者与全书路线图。

作者受Karpathy的autoresearch启发，开发了达尔文.skill系统，可自动评估和优化skill。它有五条原则、八维度评分体系，能批量解决skill质量问题，与Anthropic官方工具互补，现已开源。

文章聚焦Claude Code省Token问题，分析配额消耗快的原因，介绍提示缓存机制，给出省钱策略、操作规则，还提及委派工作及澄清误解，强调让缓存多命中、上下文少装无关内容。

KDD Cup 2026 发布 Data Agents for Complex Data Analysis 赛道，由香港科技大学（广州）和清华大学联合承办。旨在推动 AI 告别人工干预，具备自主任务分解等能力，还推出 DataAgent - Bench 测试平台，有丰厚奖励，公布关键时间节点。

AI写代码常遇盲目假设、过度设计、乱改代码等问题。开发者把AI大神Andrej Karpathy经验总结成Claude Code插件andrej - karpathy - skills，设定四大原则，还介绍使用、验证及自定义方法。

谷歌推出多智能体协作框架PaperOrchestra，能将非结构化研究素材转化为符合顶会要求的LaTeX投稿论文。它解决了现有自动化研究框架在论文写作环节的问题，实验显示全面超越现有基线。