文章指出，AI编程代理在显著提升开发效率、节省大量时间的同时，也可能生成看似可信但实际错误的“证据”，因此围绕智能体编码的验证流程与模型能力同等重要。作者强调，不能仅依赖一次性基准测试或团队口口相传的“工...

谷歌在GitHub上开源了ARTEMIS框架，可将自然语言指令转化为可靠的Android自动化操作，面向AI编码助手与测试套件，能够像人类一样操作真实手机，执行端到端工作流、日常任务并采集日志。ARTEMIS优先使用元素索引定位...

OpenAI现任能力研究员Dan Selsam通过前同事Daniel Kokotajlo公开了一份个人声明。Selsam自2022年起在OpenAI从事能力研究，曾担任Kokotajlo的上级。他在声明中指出，当前顶尖模型正在发展出越来越强的“情境意识”，即...

Hugging Face博客介绍了Funes，一个面向编码智能体的本地记忆索引方案。该系统在本地对智能体会话轨迹进行索引，融合向量搜索、BM25和交叉编码器重排序，并返回带有溯源信息的原始文本，而不是经过压缩的摘要。Funes...

OpenAI 的 GPT-6-Astra 被评价为迄今原始智能因子最高的模型之一，其在 3D 任务、游戏操作、计算机使用和子代理协同等方面展现出突出能力，多项基准测试相较前代模型出现大幅跃升。虽然编码性能相比 Sol 并未实现量...

Sierra 近日开源了 Hyper-τ-bench，这是一个面向长周期智能体构建能力的新评估基准。与常见只考察模型作为智能体执行任务的测试不同，Hyper-τ-bench 将开发者智能体置于沙盒工作区中，提供模拟业务的记录和可随时消...

TypeScript模式声明与校验库Zod发布4.5版本，针对长期存在的内存占用问题进行了关键优化。此前，Zod会为每个schema实例预先绑定并附加数十个闭包方法，导致即使是一个简单的z.string()也会在堆中保留约7.5KB内存。4....

LLM-as-a-Verifier 是一个通用验证框架，其核心思路是让大语言模型直接充当“验证器”，在不引入额外训练的情况下，为任意智能体（agent）提供细粒度、可操作的反馈。该框架在编码、机器人和医学智能体等基准测试中均...