「测试方法」共找到 3042 篇相关文章
太野了！某龙虾自爆安全漏洞
国内几家厂商上线基于 OpenClaw 的 Claw AI Agent 产品，功能强大。作者测试其中一家，发现它轻易暴露大量信息和安全漏洞，如 Claude API 代理无认证、IMDS 元数据服务无防护等。建议相关厂商自查加固。
LLM规划能力飙升79%！Google：内在自我批评技术拿下多项SOTA
Google DeepMind研究《通过内在自我批评提升大语言模型的规划能力》，不借助外部验证器，让LLM反复“自评+重写”，使Blocksworld准确率从49.8%升至89.3%，还介绍了方法及跨模型验证情况。
LLM时代的事件抽取：从静态任务到认知脚手架
此综述论文探讨LLM时代事件抽取价值，认为其未被削弱，应视为“认知脚手架”。它系统梳理任务分类、方法演进等，还提出六大未来研究方向，指向将其演化为智能感知与记忆层。
Anthropic 再发长文：首次详细揭秘Agent的评估全过程「Claude code开发过程的经验总结」
Anthropic在Claude Code等开发及与客户合作中总结出AI Agent评估方法。文章介绍评估基本结构、构建原因、评分器类型、不同Agent评估法、应对不确定性指标、构建路线图及与其他方法协同方式。
谷歌最新 Gemini Agent 爆击GPT-5.2？人类最后考试得分见分晓！网友：Altman又该发“红色警报”了
全球人工智能竞争升温，谷歌与 OpenAI 同日发布更新。谷歌推出全新 Gemini Deep Research 版本及嵌入式研究智能体 API，OpenAI 发布 GPT - 5.2。谷歌新工具能力提升，测试成绩佳，引发网友不同看法，二者竞争激烈。
北大、字节、中科院自动化研究所等提出图像并行生成新范式
北大、字节等团队发现多模态模型先思考后作画会降低图像语义保真度，因自回归架构有误差传播问题。为此提出并行多模态扩散框架MMaDA - Parallel，构建ParaBench基准，多项优化后在测试中击败Bagel。
刚刚，Cursor 2.0携自研模型Composer强势登场，不再只做「壳」
Cursor 2.0发布重大更新，带来自研编码模型Composer和新协作界面。Composer速度领先，针对软件工程优化；新界面以智能体为中心，可并行运行多智能体，还解决了代码评审和测试瓶颈。
比Qwen3-Max更Max？夸克抢先用上最新闭源模型
10月23日夸克上线对话助手，采用比Qwen3 - Max更优的Qwen最新闭源模型，实现AI搜索与对话深度融合。经测试其搜索、理解、写作等能力出色，技术架构创新，是阿里‘模型即应用’战略体现。
华为发布如何利用RL训练强大的Deep Research Agent综述！
华为技术团队发布综述论文，首次系统性梳理利用强化学习（RL）训练强大的深度研究代理。论文指出传统SFT和DPO方法有局限，RL优势明显，还在数据构建、算法设计等方面给出进展与路线图。
马斯克：Grok 5 将实现真正的 AGI
Vending Bench测试中，xAI的Grok 4以近两倍销售量和31%高收益击败GPT - 5，展现惊人稳定性。马斯克却称Grok 5有机会成真正AGI，引发网友各种反应，Grok 4虽领先但也有争议。