「自动化评估」共找到 1147 篇相关文章
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。
从「时域建模」到「频域融合」：中山大学团队为传感器人体活动识别提供新思路 ｜ TPAMI 2026
中山大学团队在IEEE TPAMI发表研究，用“三重频域融合”（TSF）框架突破传感器人体活动识别（HAR）领域核心瓶颈。该框架从三个全新“视角”审视问题，经多数据集评估表现出色。
DeepMind 创始人 Hassabis 语出惊人：百万 token 只是在贴胶带，AGI 在 2030 年
DeepMind创始人Hassabis在访谈中评估AGI进展，认为当前范式是最终架构一部分，但持续学习等问题待解决，预计2030年左右实现AGI，还探讨了Agent、蒸馏等多方面内容，并给创业者建议。
万帧照片级仿真，打通视觉机器人学习的感知与物理鸿沟：国产仿真器GS-Playground入选RSS 2026
清华大学等联合提出高通量视觉高保真仿真器GS - Playground，被RSS 2026录用。它解决现有仿真器渲染开销高、资产制作依赖人工、Sim2Real迁移鸿沟大等问题，是全栈重新设计的仿真基础设施。
刷榜只是体力活！清华消费10万块，一周「肝」出105个SOTA
AutoSOTA通过多智能体协作，将AI研究中繁琐的性能优化过程自动化，使科研从「手工艺」转向「工业流水线」。在一周压力测试中，消耗约10.4万美元，发现105个SOTA模型，平均性能提升近10%。
你的「龙虾」真记得你吗？剑桥发布长期个性化记忆基准ATM-Bench
剑桥大学团队开源面向AI个人助理的长期记忆基准测试ATM - Bench，评估AI面对真实生活数据时能否「记住你」。实验结果不佳，专用和通用智能体系统准确率低，凸显长期个性化记忆问答难题。
GitHub 如何用 AI 重构反馈处理机制
GitHub 引入由 AI 驱动的工作流，将无障碍反馈转化为工程工作。系统基于 GitHub Actions、Copilot 和 Models APIs 构建，集中管理报告、分析合规性、协调问题解决。采用后问题解决比例提升，时间下降。
AI 时代的架构治理
本文指出在生成式AI时代，软件开发生命周期瓶颈转变为组织将创意转化为成果并保持架构凝聚力的能力。传统人工监督模式难应对，提出声明式架构策略，介绍其在事件模型、OpenAPI验证器等方面应用。
传统PM假设已死！Anthropic的产品经理是怎么工作的？
文章指出在AI指数级增长时代，传统产品管理假设已不适用。以Anthropic的Claude Code为例，展示模型能力大幅提升，介绍了新的产品管理工作流程、四个根本性转变及新节奏，强调判断力的重要性。