「真机评测」共找到 1121 篇相关文章
真机RL！最强VLA模型π*0.6来了，机器人在办公室开起咖啡厅
美国具身智能创业公司PI发布最新机器人基础模型π*0.6，新方法大幅提升具身智能成功率与处理效率。其开发的Recap方法从经验数据获训练信号，使模型能执行多项真实世界应用。
Gaia2 与 ARE：赋能社区的智能体评测
文章介绍 Gaia2 与 ARE，Gaia2 是智能体基准 GAIA 升级版，能分析复杂行为，与 ARE 框架一同发布。ARE 可模拟复杂真实条件，支持定制。文中对比多款模型，指出当前模型挑战，并说明评测步骤和 ARE 使用场景。
从真机到世界模型，具身智能正在补一条看不见的数据产线
本文分析具身智能行业的数据痛点，指出行业已从“找数据”进入造、管、回流再生产阶段，数据飞轮全链路工程化是核心竞争壁垒，分享了多家企业落地实践。
机器人看视频学操作！伯克利首次打通互联网视频到灵巧手真机部署链路
UC Berkeley团队提出端到端流程，跑通从网络视频生成真实灵巧手实机执行轨迹链路。解决了单目RGB视频手-物交互重建、带噪声参考轨迹动作重定向及遥操作规模化难题。还给出数据筛选要点。
刚刚，GPT-6开真车考过了科目二！
本文报道湾区极客搭建DrivingBench真车驾考场景，让四款未经过专门驾驶训练的通用大模型挑战科目二，最终GPT-6 Astra成为唯一通关者，颠覆了自动驾驶行业的传统逻辑。
2025 智能体元年，Agent 开发平台深度评测报告解读
2025 年 AI 产业两大核心趋势并行，AI Agent 产业化落地提速。国家工业信息安全发展研究中心赛昇实验室发布评测报告，对阿里云百炼等四大 Agent 开发平台从 RAG、工作流能力、Agent 工具调用三大维度测试，为行业选型提供参考。
BeyondSWE：AI编程80分是真的强，还是考卷太简单？
前沿模型在SWE - bench Verified测试中得分超80%，但该测试像开卷填空。中国人民大学提出BeyondSWE重新设计评测，规模是前者18倍，模型得分全跌破45%。还提出SearchSWE框架，结果显示搜索与编码能力融合待提升。
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。
阿里财报+96%是假象：扒开数据，真利润只剩8600万
5月13日盘前阿里发布2026财年Q4财报，主流标题称净利润同比增96%，股价盘前一度涨7%。但经分析，扣掉投资浮盈后真利润仅8600万。文章还给出财报分析方法、释放的关键信号及投资建议。
首个GUI多模态大模型智能体可信评测框架+基准：MLA-Trust
MLA-Trust 是首个针对 GUI 环境下多模态大模型智能体的可信度评测框架，构建了涵盖四核心维度的评估体系，对 13 个模型深度评估，揭示可信度风险，还提供评估工具箱，推动其可靠部署。