「评测环境」共找到 1070 篇相关文章
ICLR 2026 | LongHorizonUI：让 GUI 智能体不再"半途而废"——面向长链路任务的统一鲁棒自动化框架
近年来，基于多模态大语言模型的GUI智能体在自动化操作上虽有进展，但任务步数超10 - 15步时成功率断崖下跌。研究人员提出LongHorizonUI框架，构建LongGUIBench评测基准，推动GUI自动化在复杂场景落地。
AI 驱动的个人理财应用
这是AI驱动的个人理财应用，非记账软件，能像智能助理管钱、自动拆解支出并给建议。支持Docker自行托管，介绍了本地开发环境配置，该应用由Maybe Finance团队开源，此前商业运营未成功。
看完 Manus、Cursor 分享后的最大收获：避免 Context 的过度工程化才是关键
上下文工程优化是Agent创业公司新一年竞争重点，其信息质量很大程度决定Agent表现。文章结合Manus、Cursor团队思路，给出做好上下文工程要点，如缩减上下文、搭建工具行动空间、多Agent协作等。
让世界模型推理效率提升70倍：上海AI Lab用“恒算力”破解长时记忆与交互瓶颈
上海AI Lab联合多家机构开源Yume1.5，针对视频生成构建可交互“世界模型”的核心难题，提出时空信道联合建模（TSCM），实现近似恒定计算成本的全局记忆访问，展示了世界模型工程化落地的可行路径。
Hexstrike AI在多个工具及模型上的渗透测试表现
文章围绕Hexstrike AI在多个工具及模型上的渗透测试展开。介绍测试环境，用不同难度靶机测试。分析Claude desktop+Sonnet 4.5、AIaW+Deepseek、Cursor+多个模型等组合表现，指出LLM辅助渗透测试任重道远。
GDPS 2025｜宇树、智元首次同台，上海如何以「应用」领跑具身智能竞赛？
全球开发者先锋大会（GDPS 2025）是具身智能赛事检验场，它将赛场设在真实应用环境，以应用需求为导向推动技术落地。上海以应用和生态赋能推动具身智能产业化，构建产业闭环。
The Sentient Interface: Art, Technology, and the Expanded Mind
在计算与数据主导的时代，艺术、科学与技术边界渐趋模糊。本次活动汇聚四位从业者，探讨如何将无形元素转化为审美体验，从生态数据到AI叙事，跨越学科探索人机关系与环境依存。
从今天起，开源前五，全！是！中！国！大！模！型！
短短一年，LMArena开源模型榜单前五全被中国大模型占领，智谱Z.ai登顶，阿里、DeepSeek等紧随其后。LMArena是权威评测平台，盲测机制保证排名真实。中国模型性价比高，正用开源和低价占领市场。
里程碑！逻辑智能发布全球首个完全开源语音大模型框架LLaSO，语音AI迎来新纪元
逻辑智能发布全球首个完全开源语音大模型框架LLaSO，它像“全家桶”，提供高质量数据、统一评测基准和强大基础模型。语音大模型发展遇瓶颈，LLaSO框架及参考模型LLaSO - Base有望打破僵局。
Marble登场！告别不稳定与变形，持久探索3D世界
李飞飞团队World Labs推出Marble并开放有限测试预览，基于图像或文本提示可生成3D世界，具有持久、稳定、风格多样等特点。用户能导出使用，在浏览器自由导航，虽有局限但潜力大。