「技能评估」共找到 1021 篇相关文章
微软最新揭秘：「话痨实习生」AI助手，到底能帮人类做什么？
基于20万微软Copilot使用数据的研究指出，AI能支持研究、写作和沟通任务，但无法完全胜任单一职业所有任务。Copilot执行任务多为解释型，写作和信息收集任务满意度高，语言和创作类职业受影响大。
7B模型对标GPT-4o，全球首个医疗代码生成大模型训练平台来了
研究团队发布全球首个医疗代码生成大模型训练平台MedAgentGym，提供评估基准和训练生态，提升大模型医疗代码生成与推理能力。经其训练的Med - Copilot - 7B达GPT - 4o相当水平，解决医疗AI编程瓶颈。
OpenAI久违发了篇「正经」论文：线性布局实现高效张量计算
OpenAI 近日发布研究论文，提出用于高效张量映射的统一代数框架 Linear Layouts，解决了 Triton 等深度学习编译器中长期存在的难题。该框架是使用二元线性代数的张量布局通用代数形式，评估显示其优化版 Triton 性能有提升。
从打分器到思考者：RM-R1用推理重塑模型价值判断
伊利诺伊大学香槟分校团队提出 RM - R1 框架，将奖励建模定义为推理任务。它引入推理奖励模型和链式评估准则机制，经两阶段训练，在多基准测试中表现超大规模模型，验证了推理能力对奖励模型的重要性。
Agent开始“自我进化”：会出题、会反思，还会自己长出新技能
文章围绕自进化Agent展开，介绍其概念、受重视原因及三大技术路线，涵盖各路线代表工作的特点、评估及对比，指出研究空白如总结者训练等，最后还介绍了基于Agentic AI的全链路数据助手Dola。
Stripe 发布基准测试：AI 智能体可开发集成方案，但校验环节存在短板
Stripe推出基准测试套件，评估AI智能体构建完整Stripe集成方案的能力，测试聚焦金融系统贴近生产环境的集成场景。测试显示，不同任务类型评测结果差异显著，核心瓶颈在于验证环节，当前智能体短板在校验逻辑等方面。
3.8K Star！港大开源 AI 量化神器：一句话生成量化策略，普通人也能玩懂！
港大开源的Vibe - Trading在投资圈火了，它是AI驱动的多智能体金融工作台，能将自然语言请求转化为交易策略等。有多智能体协作架构，内置64个金融技能、29个智能体团队预设，提供4种安装使用方式。
openJiuwen社区首发Team Skills，定义Coordination Engineering新范式
文章围绕多智能体系统协作问题，指出传统任务编排方式的局限。华为JiuwenClaw团队发布Coordination Engineering新范式，通过Agent Team、Team Skills等能力，解决团队组建、技能沉淀、复用及进化等问题，并以旅行规划为例展示实战效果。
WorkBuddy杀疯了？一群AI专家帮我打工，我在微信里当赛博虾工头！
本文介绍腾讯推出的全场景职场AI智能体桌面工作台WorkBuddy。它内置多领域垂类专家，能接管自媒体内容创作流水线，还接入微信ClawBot插件方便操作。部署和技能配置门槛低，内置主流模型，还有免费Credits福利。
Agnes：不做通用型智能体丨对话全民AI应用平台Agnes AI
量子位智库对话Agnes AI创始人Bruce Yang，探讨多智能体在AI产品的应用。Agnes AI以Multi Agent架构为核心，上线四月日活破20万。其介绍了核心功能、单多智能体差异、评估维度等，还谈及目标人群、市场规模等内容。