「守门人理论」共找到 1241 篇相关文章
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。
Anthropic将在两周内推出新思考模型！
据The Information报道，Anthropic将在未来几周推出Claude Sonnet和Claude Opus两款新模型，能在「思考」和「工具使用」间切换，还可自动测试纠正代码。虽此前产品有不足，但新模型处理复杂任务更出色。
2个设置，让Codex体验翻倍
文章分享两个提升Codex使用体验的技巧。一是在config.toml里添加配置，让非计划模式能主动提问；二是用特定提示词测试gpt的juice值，选正常思考程度的模型使用，提升使用心情。
Huashu-Excel正式发布！可能、也许、大概是最好用的Excel数据处理和分析skill
花叔开源Huashu - Excel，它能处理Excel或CSV，按八步流程工作，有体检、对账、质控特色。经十份真实数据压测效果好，其设计激发大模型能力、避开缺陷，几乎所有agent都能用。
Agent的上限，可能不在模型，而在团队知识
文章记录安全中心团队搭建AI知识体系的实践，指出Agent输出质量取决于知识质量，分析传统知识库问题，介绍AI时代知识库转变、目标设定、搭建步骤、知识飞轮及避坑指南，还展示建设后的变化。
刚刚！Claude Fable 5，又拿第一了
在刚刚刷新的MirrorCode排行榜上，Claude Fable 5以64%的绝对成功率登顶，成绩远超其他模型。它在不同语言上表现稳定，在稀缺语言中也只小幅度下降。这意味着前沿模型能独立完成部分中大型软件。
谷歌风雨飘摇，市值蒸发数千亿美元！Gemini Spark能救场吗？
近期谷歌接连流失核心人才，资本市场反应强烈，市值蒸发数千亿美元。同时产品节奏不佳，Gemini 3.5 Pro疑跳票。在此背景下，谷歌推出Gemini Spark，它能跨应用完成任务，但定价遭质疑，谷歌能否靠它破局存疑。
估值315亿！田渊栋AI创业，谷歌、英伟达和AMD参投
Meta离职的田渊栋官宣创业，成立RSI，获6.5亿美元融资，估值约316亿。8位联创阵容豪华，团队致力于构建开放式架构，让智能体自主学习升级，目标打造具5万博士能力的智能系统。
刚刚，Claude Code 推出手机通知功能。被催着干活的打工人，从此不能再摸鱼……
Claude Code 新增手机推送通知功能，任务完成会主动 ping 手机，开启方式简单。它还支持桌面通知，与此前功能形成派活、执行、汇报闭环，解决了人如何知晓 AI 完成任务的问题。
Lovart第一时间上线Image 2：每个人真的可以瞬间拥有一个设计部了
Lovart上线Image 2，有去AI味的写实感、强大文字生成与泛化推理能力，完爆Nano Banana 2。它结合独家工作流，带来设计体验飞升，还给出五个使用场景案例，并对比了与Claude design的差异。