「大模型评估」共找到 9627 篇相关文章
2026世界机器人大会落幕，谁在物理AI赛道抢跑？
2026世界机器人大会落幕，具身智能从‘表演特技’转向‘实景作业’。物理AI世界正快速到来，但机器人量产尚需时日，AI汽车或率先实现人机深度协作，AIVA汽车以‘AI定义汽车’理念打造鲜活生命体，与火山引擎深度合作。
基于阿里云 AgentLoop 的 DeepSeek Harness 评测实践
本文分享基于阿里云 AgentLoop 平台的 DeepSeek Harness 评测实践。介绍了 DeepSeek Harness 工程架构，阐述 AgentLoop 平台接入方式及价值，还详述评估器设计思路、展示评测结果，最后总结方法论并展望后续工作。
一篇Self-Evolving Coding Agents最新综述
当今编码智能体部署后大多静止，自进化编码智能体应运而生，可让Agent通过交互更新自身。文章介绍了其概念、分类，探讨组件进化机制、时机及评估方法，也提及带来的新挑战。
kimi K3超大杯升级背后的技术内幕
文章介绍开源模型 K3 架构设计思路。主要探讨 MoE 和 MLA 部分，在 MoE 方面提出 SiTU、Norm、QB 改进；在注意力机制选择 MLA，与 KDA 混合缓解部分问题，还谈及 DSV4、NoPE 相关特点。
“毋在浮沙筑高台”：汪源谈智能体想从 80 分跨到 90 分，全卡在上下文
前网易副总裁汪源在2026奇点智能产品大会分享，指出智能体系统瓶颈正从模型能力、Harness工程，转移到上下文。他还介绍了做好上下文基础设施的要点，以及推出的新内容格式KRL。
Claude Opus 5 发布，比 Fable 5 强，仅一半价格
Claude Opus 5发布，官方称其以一半价格提供接近Fable 5的智能。跑分显示它多数项目超Fable 5，ARC - AGI - 3成绩突出，还更省token，是Anthropic迄今对齐度最高的模型。
AI 创业怎么做？500+ 技术领导者给出了他们正在实践的答案｜ TGO 杭州十周年庆 & GTLC 杭州站
2026年6月27日，TGO杭州十周年庆·GTLC全球科技领导力大会杭州站举办，近二十位嘉宾从多领域分享。如汪源指出智能体上下文工程是瓶颈，许式伟称AI是企业“外挂”等，还有创业者展示产品。
Anthropic 发文称自家 Claude 已经开智，网友：为了上市，不择手段？
Anthropic发布Claude内部机制新研究，介绍J-space和J-lens，称可读取模型未输出的内部概念。此研究在训练、评测和部署有潜在价值，但叙事引发争议，网友质疑是否过度包装。
一夜狂揽 6k Star，232 个 AI 专家，真疯了！
开源项目 `The Agency (agency-agents)` 增长惊人，单日获 6K+ Stars，十天新增 3.3 万+。它打包开源 232 个 AI Agent 角色、16 个部门，各 Agent 有完整“人格系统”，支持多种主流工具，不过 Token 消耗大。
Meta把内部设计系统开源了，支撑内部13000+应用，专为Agent调优
Meta开源的Astryx大更新，改造成Agent适配设计系统。它已在Meta内部演进8年，支撑13000+应用，提供150+可访问、可主题化的UI组件及开发工具，让人和AI用同一套语言。