AI Stack

TAGS / TERM

Benchmark

共 29 篇

  1. 实测三大AI编程测评：排名真相与选型策略 2026-06-24 · JUEJIN
  2. Claude Opus 4.7发布 相比4.6全面提升 2026-04-17 · BLOGS_PODCASTS
  3. AI 智能体三月挑战赛 2026-03-17 · HACKER_NEWS
  4. 53款模型“洗车”测试：评估大模型代码生成鲁棒性 2026-02-24 · HACKER_NEWS
  5. AI智能体自主性评估的实践方法 2026-02-20 · HACKER_NEWS
  6. AI智能体自主性水平的实践评估方法 2026-02-20 · HACKER_NEWS
  7. AI智能体自主性评估的实践方法 2026-02-19 · HACKER_NEWS
  8. AI智能体自主性的实践测量方法 2026-02-19 · HACKER_NEWS
  9. AI智能体自主性的实践评估方法 2026-02-19 · HACKER_NEWS
  10. AI智能体自主性评估的实践方法与指标 2026-02-19 · HACKER_NEWS
  11. 仅改用Harness框架即可提升15个大模型编程能力 2026-02-13 · HACKER_NEWS
  12. 仅更换框架，一下午提升15个大模型代码能力 2026-02-13 · HACKER_NEWS
  13. 仅修改框架，一下午提升15个大模型代码能力 2026-02-13 · HACKER_NEWS
  14. OpenEnv 实践：在真实环境中评估工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  15. 仅调整框架一下午提升15个大模型编程能力 2026-02-12 · HACKER_NEWS
  16. 仅调整框架，一下午提升15个大模型编码能力 2026-02-12 · HACKER_NEWS
  17. 仅替换调度框架，一下午提升15个大模型编程能力 2026-02-12 · HACKER_NEWS
  18. OpenEnv实践：评估真实环境中的工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  19. 仅更换调度框架，一下午提升15个大模型代码能力 2026-02-12 · HACKER_NEWS
  20. OpenEnv实践：评估真实环境中的工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  21. GPT-5在法律推理实验中表现优于联邦法官 2026-02-12 · HACKER_NEWS
  22. Agent Skills：AI 智能体技能评估框架 2026-02-04 · HACKER_NEWS
  23. AgentRx：基于执行轨迹的AI智能体故障诊断 2026-02-04 · ARXIV
  24. 构建AI版Wattpad以评估大模型小说创作能力 2026-02-03 · HACKER_NEWS
  25. Agent Skills：大模型智能体的技能评估框架 2026-02-03 · HACKER_NEWS
  26. AI 基准测试新进展：Game Arena 推进评估方法 2026-02-03 · HACKER_NEWS
  27. PaperBanana：面向AI科研人员的学术绘图自动化工具 2026-02-02 · ARXIV
  28. 挖掘模型仓库中的隐藏价值 2026-02-01 · ARXIV
  29. 🚗AgentDrive重磅发布！首个Agent推理开源自驾数据集🔥 2026-01-27 · ARXIV