「过程评估」共找到 1016 篇相关文章
Skills驱动推理新范式，清华&北大：Token立省59%，准确率不降反升
当前推理模型虽准确率高，但生成“思考过程”会使推理成本和延迟上升。奇元科技、清华、北大等提出TRS框架，将历史推理轨迹蒸馏成技能卡片，在推理时检索注入，实现更少Token、更高准确率。
Coding Agent 的一个啊哈时刻
作者翻用Codex在SGLD做Qwen - Image/HunyuanVideo的modelopt fp8支持的记录，发现Coding Agent思考过程与人类思路高度一致，如对比中间图和结果图判断量化精度，Infra领域核心技能或被其解决。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。
从 0 到 25 万行：一个 100% AI 编码项目，真正难的不是生成，而是治理
作者分享 Routa 项目用 AI 驱动开发的经验，指出 100% AI 编码项目真正难的是治理。介绍多个工具参与情况，阐述项目长出反馈系统的过程，包括规则入口、上下文收敛、提交前约束及仓库级裁决等。
OpenClaw 火了半年，Agent 执行层依然是工程空白
当前主流 Agent 工具链执行层基本空白，Violoop 是少数在执行层做系统化设计的项目。它是桌边触屏硬件，获取三类运行时数据，具备感知 - 判断 - 执行运行时，有多种核心能力，适合特定场景团队评估。
不要建一千个 Agent：Ramp 如何用一个 Agent 搞定金融自动化
美国企业金融平台 Ramp 估值 320 亿美元，在 The Pragmatic Summit 分享 AI 实战经验。介绍了从“建一堆 Agent”转向“一个 Agent + 一千种技能”架构，Policy Agent 开发过程，定义“正确”标准，建内部 AI 基础设施及内部编码 Agent 情况。
我们给OpenClaw加了一双眼睛，来观察我们这平凡的一天。
内容创意组小伙伴用Pocket 3作OpenClaw的“眼睛”，俯拍工位区，截取图片喂给多模态模型描述场景，下班时让OpenClaw分析趣事。还开发了“OpenClaw人类观察计划”，开发过程简单，降低了Agent体验门槛。
清华发布世界模型评测新标尺：直击机器人感知与行动鸿沟
清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。
我如何用 Codex 在 5 天内"找回"丢失的源代码
作者早年写的 Electron 画图程序源码丢失，只剩编译版本。受 OpenAI 博客启发，用 Codex 逆向还原，5 天得到能运行的 TypeScript 代码。过程中解决了 Codex 删减内容、上下文有限等问题，还分享了经验。
凌晨三点写代码、10个 Agent 同时跑！ClawdBot 创始人自曝 AI 上瘾史：Claude Code 入坑，Codex 成主力
本文讲述 ClawdBot 创始人 Peter Steinberger 的开发经历。他曾打造知名 PDF 框架，后经历倦怠回归，借 AI 重塑开发方式。分享入行故事、用 AI 编程的日常及构建 ClawdBot 的过程，探讨软件工程变化及对新人的建议。