斯坦福 CS 329Z 讲座:AI Agent 评测基准设计
推文介绍了斯坦福 CS 329Z 课程第 13 讲内容,聚焦 Agent 评测基准的设计与信度问题。讲座系统梳理了从 SQuAD、GLUE 到 MMLU、Humanity's Last Exam 等语言模型评测的演进,以及从 AlpacaEval 到 AIR-Bench 等 Agent 类评测的发展。
首页已经看过的不重复列。下面从更早的内容继续,可以一直往下滚。
推文介绍了斯坦福 CS 329Z 课程第 13 讲内容,聚焦 Agent 评测基准的设计与信度问题。讲座系统梳理了从 SQuAD、GLUE 到 MMLU、Humanity's Last Exam 等语言模型评测的演进,以及从 AlpacaEval 到 AIR-Bench 等 Agent 类评测的发展。
OpenAI Dots 团队宣布招募 persistent agent 领域的顶尖人才,旨在推动该项目的突破发展。
推文介绍了斯坦福 CS 329Z 课程第 12 讲内容,聚焦 Agent 训练数据的筛选问题。讲座探讨了三个核心问题:哪些任务值得做强化学习,哪些轨迹值得做模仿学习,数据要多还是要精。
IT之家 11 月 5 日消息,比亚迪今日官宣与 vivo 达成战略合作,实现 AI 智能体跨端融合,共建智慧出行新生态。 vivo 官方也公布了这一消息:“自 2019 年起,双方持续深耕手车互联、智能进入等方向,积累了丰硕成果。
文章报道了离职的 Claude Code 产品经理 cat 将加入 OpenAI 的消息,并指出了 Anthropic 与 OpenAI 之间人才流动的逆转现象。
美国中期选举变"数据中心公投":76% 选民反对,AI 基建撞上地方墙 · · Nov 5, 2026 2026 美国中期选举结果陆续揭晓,AI 行业最看重的算力底座——数据中心,被推上了地方政治的审判台。
腾讯混元宣布 Hy4 现已支持在 OpenClaw 中使用。引用内容提到 Hy4 具备视觉能力、1M-token 上下文窗口,并改进了编码和长程智能体能力,可通过 Tencent TokenHub、TokenPlan 和 OpenRouter 获取,详情见 https://hy.tencent.ai/research/hy4 。
灵光2.0上线一周托管超116万项事务,用户突破2000万 · · Nov 5, 2026 11月5日消息,蚂蚁集团旗下AI助手灵光公布 最新 数据:自今年10月27日灵光2.0上线,一周内已帮助用户管理超116万项事务,执行超360万次任务。随着AI从“回答问题”走向“持续管事”,能主动帮用户管理日常事务的个人AI助理,正加速进入实际生活场景。
Lovable 创始人 antonosika 分享了从开源工具 GPT Engineer 到商业化平台 Lovable 的演进历程。产品目标始终是让不会写代码的人通过聊天完成软件开发。核心技术演进包括:收窄问题范围、降低 Agent 自由度、用知识文件替代微调、缩短修改循环、实现对运行中机器的分支合并。
豆包工作首次接入第三方模型,首批上线Kimi、智谱与DeepSeek · · Nov 5, 2026 10月29日,字节跳动旗下 豆包工作 团队订阅版与企业订阅版正式全面接入第三方模型,首批上线Kimi K3.1Pro、GLM5.3以及DeepSeek V4.1Flash三款外部大模型。
OpenAI 发布 ChatGPT Images 2.6,可将提示词和图片生成动画 GIF。新版本还支持保存自己、宠物和角色的参考图,在新创作中直接复用而无需重复上传。Images 2.6 当天起面向所有套餐开放,覆盖网页、桌面和移动端的 ChatGPT 与 Codex。
Stanford 论文《A Circuit for In-Context Learning》(arXiv:2611.05344)发现小语言模型的 few-shot 学习不是从示例学到新规律,而是通过标签查找已有映射,仅在标签重复时触发。
OpenAI 展示了一个基于未发布的 cyber 模型的自动化漏洞挖掘系统,在单轮实验中发现 948 个独立的本地提权漏洞,总 API 成本约 121 万美元。
美国中期选举变天:选民以压倒性票数叫停 AI 与数据中心狂飙,大型科技公司集体反思 · · Nov 5, 2026 在刚刚落幕的2026年美国中期选举中,人工智能与数据中心的发展遭遇了前所未有的民意阻力。随着选民以压倒性多数支持限制人工智能与数据中心的候选人和相关议案,原本高歌猛进的美国 AI 基础设施建设计划迎来了全方位的重大放缓。
OpenRouter 数据显示,DeepSeek 官方只服务 16.84%的 Token,其他 18 家推理服务商共占 83%份额,揭示 AI 模型推理市场的高度竞争与分散。
Anthropic 通过 AI 先行验证、自动化测试和人类审阅证据的方式,在每天 3 万次代码变更中保持质量,展示了软件工厂化进程中‘亮灯工厂’的实践。
IT之家 11 月 5 日消息,OpenAI 于 11 月 3 日宣布, Jill Hazelbaker 将加入 OpenAI ,担任首席企业事务官,负责公司的全球传播与企业定位工作。 加入 OpenAI 之前, Jill 担任 Uber 总裁兼首席企业事务官 ,负责领导公司的全球传播、市场营销、公共政策、安全及人力资源团队。
谷歌为 Anthropic 190 亿美元数据中心项目提供信用护航 · · Nov 5, 2026 人工智能赛道的竞争格局正变得日益微妙而紧密。数据中心营运商 TeraWulf 日前正式对外公布,已与谷歌达成一项重磅信用支持协议,专门为人工智能企业 Anthropic 在肯塔基州租用的大型数据中心项目提供强有力的融资保障。
本文宣传一场关于从本体、知识引擎、Harness 工程到 Data Agent 的完整落地链路的技术实践巡展分享会,邀请多家企业专家分享智能体落地案例。
OpenRewrite 是由 Moderne 管理的开源自动化代码重构生态系统,支持多语言框架迁移和安全漏洞修复,能显著提升开发效率。
Luma AI 推出 Photo Reframe 功能,可填充图像四周空间,让一张图片适配 Instagram 帖子、专辑封面、商店页面和公交站海报等不同用途。
OpenAI 发布 National Community Compact 和 Compute Campus Policy Blueprint,为其自建自营的计算园区设定社区承诺,并提议政策确保社区在园区开发中有实质发言权。承诺包括全额承担用电与基础设施成本、发布各站点水耗与用电数据、不使用 NDA 限制公共官员,并公布就业与学徒数据。
作者详细介绍了清华大学和伯克利大学合作开源的 uni-robot-agent 框架。该框架通过五层架构(Agent 层、编排层、工具层、服务层、后端层)实现了统一的机器人操作接口。实验显示,Qwen3.8-Flash-Next 在 RoboDojo 上的得分从 1.90 提升至 31.39,GPT-6 Astra 在真实机器人任务上得分达 80.50。
OpenAI 利用新型网络安全模型,在 120 万美元成本下自动化地从 Linux 内核 4000 万行代码中挖出 948 个可获取 root 权限的严重漏洞,平均每个漏洞成本仅 1279 美元,彻底颠覆了传统人类安全研究员年均发现约 20 个漏洞的局面。
雷军晒小米机器人做家务视频,Xiaomi-Robotics-1支撑长程任务 · · Nov 5, 2026 32.1k 小米创办人、董事长兼CEO雷军近日在微博发布视频,展示小米机器人在家庭场景中的 最新 测试进展。该机器人在小米青年公寓试运营,可完成垃圾清扫、物品分类归位等家务任务,视频中清扫瓜子壳、收拾遗落手机充电器等场景引发网友关注。
📊 文章信息 AI 初评: 82 来源: Orange AI(@oran_ge) 作者: Orange AI 分类: 人工智能 语言: 中文 阅读时间: 2 分钟 字数: 330 标签: AI 与智能应用 , AI 编程 , 持续学习 , 推文串 , 人类学习 阅读推文
面壁智能 OpenBMB 转发并感谢一篇关于 MiniCPM-OCR 的拆解,表示可靠的文档 AI 不只是抽取信息,还要知道何时复核。
月之暗面开放 2.8 万亿参数 Kimi K3.1 Pro 权重,强势登顶 Agent Arena 开源榜 · · Nov 5, 2026 11月5日消息,按照此前在10月24日发布时许下的承诺,月之暗面(Moonshot AI)今日正式在 Hugging Face 平台全面开放了Kimi K3.1Pro的模型权重。
Author proposes designing a dedicated programming language for LLMs, with simplified syntax and optimized tokenizer, to potentially reduce AI coding token costs by up to 90%.
拍一拍即知底价:国行苹果AI开启Beta测试并接入得物App · · Nov 5, 2026 32.1k 11月4日晚间,苹果AI(Apple Intelligence)国行版正式启动Beta测试,视觉智能等核心功能同步开放。