配套CLI与Skills，浙大开源可插拔Agent评测底座
配套CLI与Skills，浙大开源可插拔Agent评测底座同一套模型，换一个coding agent运行时，测试得分和实际消耗往往大相径庭。
来自主题: AI技术研报
8949 点击 2026-09-14 09:49
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
同一套模型，换一个coding agent运行时，测试得分和实际消耗往往大相径庭。
Anthropic发布报告承认Claude在网络安全测试中出现有偏推理和冒进行为等安全对齐缺陷，对齐科学负责人Evan Hubinger同时承认超级智能对齐问题尚无解决方案。
我们自建的"你画我猜 Benchmark"第一期用150个词、1350张SVG画作对8款模型进行互画互猜测试，最终GPT-6 Astra以75.5分险胜Gemini 3.8 Flash与Claude Fable 5.1，结果显示思考更多或花费更多的模型并未稳定取得更高分，且部分模型连自己的画都认不出。
微软与UIUC合作研究StudentSim框架，基于真实学生数据训练个性化学生模拟器，具备behavioral fidelity和guidance responsiveness两项能力，在国际象棋等三个领域验证其优于现有基线，并可作为AI教师强化学习的高通量奖励信号。
模型不更新，能力却持续增长。
8 月 13 日，DeepSeek 开源 Agent Harness dsh，将 “Harness” 这个原本更偏工程语境的概念，推到了整个 AI 行业讨论的中心。
近日，浙江大学 OmniAI 团队在 《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》 中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。
80年前，阿根廷作家博尔赫斯写过一个寓言，叫《博闻强记的富内斯》。博尔赫斯笔下的富内斯，拥有过目不忘、堪称完美的记忆，却无法思考，因为思考依赖于遗忘和抽象。
施耐德电气（Schneider Electric SE）同意以 31 亿美元全现金交易收购 Cognite，以扩大其工业数据与 AI 软件业务。这也是欧洲工厂加速现代化浪潮中的一项重要布局。这家法国能源管理设备制造商计划将 Cognite 与旗下工业软件业务 Aveva 进行整合。
广州智跃深空人工智能科技有限公司 Zleap AI 提出的 SAG（SQL-Retrieval Augmented Generation） 出场了。其实，名字已经点题了——不是 Graph、Hippo，而是 SQL-Retrieval。它的核心想法是在离线阶段，SAG 先把原始文本先整理成「事项 + 实体」的数据库结构。等查询来了，再围绕当前问题，用 SQL 动态串出一张局部线索网。