行业与实践

最新优先最早优先

研究与基准测试2026-07-175 分钟
PinchBench：百度 AI 搜索如何公开一套端到端 Agent 评测流程
百度 AI 搜索团队公开的 PinchBench-Evaluation 仓库，展示了 Orion-Mission-Mode 在真实工作任务上的评测流程：原始输入直接注入系统，Agent 自主调度工具并交付文件或报告，再由脚本检查与 LLM 评审共同打分。
研究与基准测试2026-07-179 分钟
Agent = Model + Harness：腾讯云 ADP 的云端智能体工程实践
腾讯云 ADP 团队拆解 Agent 从 Demo 走向生产的工程抽象：把 Agent Loop、Memory、Sandbox、Tools 与可观测解耦，用最小权限、沙箱隔离、轨迹记录和评估反馈闭环支撑长任务稳定运行。
研究与基准测试2026-07-177 分钟
留存升了 3.85%，工具错误降了 61.5%：Qwen-Coder-Qoder 的线上数就这些
Qwen-Coder-Qoder 在自建 Qoder Bench 上超过 Cursor Composer-1，Windows 终端命令准确率最多提高 50%。线上几周代码留存升 3.85%，工具错误降 61.5%，Token 降 14.5%。没有绝对分和样本量。
研究与基准测试2026-07-167 分钟
从抽样聊天到可回归：华为云 AgentArts 的智能体评估方法
华为云 AgentArts 用评测集、40 多个评估器和评估任务替换 5 到 10 条手测。流程是 30 到 50 条基线、低分下钻、按病因改提示词或工具、同一评测集回归。裁判打分并非 100% 完美，允许改分作真值。
研究与基准测试2026-07-1610 分钟
人均 Token 会骗人：阿里云用八段看板看组织有没有真用上
阿里云 2026-07-16 用 Pilot 和 SLS 把 AI Coding 收成八段组织看板。DORA 的 39% ROI 是引用的模型数。看板截图写明是模拟数据。前 10% 超过 70% Token 只是判断线。
研究与基准测试2026-07-168 分钟
有 Skill 平均高 10.31 个点：蚂蚁用 18 道仓库任务评支付集成
装上 alipay-payment-integration 后，六个模型的平均规则通过率高 10.31 个百分点，108 格里 101 格为正。静态检查可以到 92.79%，集成仍可能只有 38.6%。
研究与基准测试2026-07-169 分钟
4 步视频 VBench 84.33：混元把前向强化学习接到 MeanFlow
腾讯混元在 SD3.5-M 上用 4 步采样，少步 8 项里 6 项最好。Aesthetic 5.9275 低于 RTDMD 的 6.1290。Wan2.1 上 4 步 VBench 84.33，高于 50 步 LongCat-Video RL 的 82.57。Semantic 77.68 低于 SC-DMD 的 77.77。
研究与基准测试2026-07-1412 分钟
38 项里 19 项第一：腾讯 Hy-Embodied 按感知—动作环评具身 Agent
可比规模里总平均 65.6，比 Qwen3.6-A3B 高 4.4，比上一代 MoT-2B 高 8.4。A30B 不进排名。Where2Place 只有 65.0，PartAfford 63.7 低于 Embodied-R1.5 的 82.6。导航 OS 排第二。
研究与基准测试2026-07-139 分钟
1% 流量 GMV 高 1.06%：淘宝把成交排序写进生成式 DocID
3 亿商品上，CRID 站内转化 HR@20 比最强对照高 3.72 个百分点，HR@1000 高 9.10 个百分点。1% 流量、30 天：IPV +0.18%，订单 +0.54%，GMV +1.06%。站内深位 HR@1000 相对最强向量检索低 3.02%。
研究与基准测试2026-07-099 分钟
满分档平均只有 3.2%：腾讯混元参与的长程终端基准用子任务给部分分
46 题、17 个模型。0.95 阈值上 Grok 4.5 为 28.3%（13/46），模型平均 6.4%；满分阈值平均 3.2%。782 次运行里 491 次有部分分。未解原因的分母却写成 660。
研究与基准测试2026-07-0810 分钟
满分要对上芯片上限：华为 CANN Bench 评 Agent 写的昇腾算子
53 个算子、1060 条公开用例，另有每算子 80 条隐藏用例还没放出。编译、算对、速度的权重是 0.2、0.3、0.5。全部算对但只跑到基线，是 75 分。这篇没有模型排行。
研究与基准测试2026-07-078 分钟
EdgeBench：Agent 如何从真实环境中学习
字节 Seed 用 134 个日级任务和约 3.8 万小时交互，评测 Agent 在真实反馈中随时间改善的能力；总体表现呈对数 S 形，学习速度约每三个月翻倍。
研究与基准测试2026-07-069 分钟
56 条能核对的尺子：通义用 Qwen-Image-Bench 评复杂文生图
通义实验室的 Qwen-Image-Bench 用 56 条可核验规则、五根能力柱和 1000 条中英提示词评文生图。Q-Judger 基于 Qwen3.6-27B，和专家判断的 Spearman 相关是 0.92，但没有给出专家人数。
研究与基准测试2026-07-0110 分钟
轨迹比答案难评：阿里云把 Agent 评测拆成步骤、路径和结果
阿里云 AgentLoop 把企业 Agent 飞轮写成采集轨迹、自动建 Golden 和 BadCase、再用 Agent 做评测。文中给出 55 个字段、84% 覆盖率和三层评分，并标明哪些数字来自外部论文。