AI资讯OpenAI的数学解答尚未达到领域标准
当OpenAI本周发布数百个声称解决世界上最难数学问题的方案时，该前沿实验室表示已咨询了一组由顶尖数学家组成的顾问团，以避免上次其模型解决数学领域长期悬而未决问题时引发的争议。 然而，OpenAI的表现未能达到这些标准，尤其是在数学家们强调需要人类对数学结果的理解方面。这一点令人担忧，尤其是在一篇新论文指出OpenAI模型声称解决的百万美元难题的自然语言解答与形式化表达之间存在差距之后。 由普林斯
#模型评估
按标签聚合查看文章内容。
AI资讯前沿工作实践：Balyasny资产管理如何评估与管理Claude Fable 5
Balyasny资产管理（BAM）是一家全球多策略投资公司，管理资产规模约380亿美元，拥有约2000名投资专业人士和员工。首席人工智能官Charlie Flanagan与Anthropic分享了公司如何在数千个真实金融任务中评估新模型，为什么自主构建了运行智能代理的平台，以及Claude Fable 5发布后带来的变化。 2026年，前沿AI对BAM的影响有哪些？ 2026年标志着我们从以搜索为
AI资讯热门AI排行榜平台Arena估值十个月内几乎翻倍，达到31亿美元
Arena起源于2023年加州大学伯克利分校的一个研究项目，致力于通过众包方式对AI模型进行排名。该公司周四宣布完成2亿美元的B轮融资，估值达到31亿美元。 今年6月，Arena的年化收入达到了1亿美元。此次融资由Lightspeed风险投资和Khosla Ventures领投，Salesforce Ventures、01 Advisors、戴尔科技资本、Endeavor Catalyst、a16
AI资讯Zawinski的多智能体法则与AI多代理系统最新动态
本文梳理了近期AI多智能体系统的安全事件、技术进展及社区讨论，重点关注OpenAI的安全披露、多智能体间消息传递机制及相关基础设施发展。
AI资讯微软推出新工具，开发者可通过文本描述快速生成AI行为测试
AI研究人员和实验室在评估AI模型的安全性、合规性、谄媚行为以及对齐性等方面取得了显著进展。然而，企业和开发者面临一个新的具体需求：确保他们的AI系统在特定产品或服务中按预期行为运行。 为简化这一测试流程，微软于周二发布了名为ASSERT（Adaptive Spec-driven Scoring for Evaluation and Regression Testing，自适应规范驱动的评估与回归
提升技能创建者：测试、衡量与优化智能代理技能
Skill-creator 现已支持编写评估（evals）、运行基准测试，并帮助您在模型演进过程中保持技能的有效性。这些更新现已在 Claude.ai 和 Cowork 平台上线，同时作为 Claude Code 的插件和我们代码库中的一部分提供。 自去年十月推出 Agent Skills 以来，我们发现大多数技能作者是领域专家而非工程师。他们熟悉自己的工作流程，但缺乏工具来判断技能在新模型下是否
AI资讯OpenAI与Hugging Face在模型评估中发生安全事件并采取应对措施
OpenAI与Hugging Face在进行AI模型安全评估时发现并应对了一起安全漏洞事件，双方正合作修复并加强防护。
AI资讯大塚商会推出支持AI相关SaaS应用与落地的“全方位AI伴跑支持服务”
日本大塚商会株式会社宣布，将于5月13日起面向中小型企业推出“全方位AI伴跑支持服务”，持续协助企业有效利用并巩固AI相关SaaS的应用。 该服务是一种伴跑式支持，整合多种AI服务的运营咨询，解决单一产品支持难以覆盖的跨领域运营问题。用户可通过预先购买的服务券，享受再培训、模型评估支持、智能代理创建等多样化服务。 服务涵盖多个AI解决方案，用户可根据企业AI导入的不同阶段，灵活选择和消耗相应数量的
AI资讯走在前沿：汤森路透如何打造面向高风险专业工作的人工智能
汤森路透是一家拥有超过175年历史的全球内容与技术公司，致力于为法律、税务、会计、合规等关键专业领域的决策者提供可信赖的内容和技术支持。如今，这一使命也指导着公司如何构建适用于高风险专业工作流程的人工智能。 “我们是一家专注于需要高度准确性和精确性的专业技术公司，”汤森路透首席技术官Joel Hron表示。 汤森路透的产品是这些专业领域的核心工具：Westlaw和Practical Law为法律研
守护前沿：JetBrains如何评估与部署Claude Fable 5
JetBrains是全球开发者使用的工具制造商，旗下产品包括IntelliJ IDEA、PyCharm以及Kotlin编程语言，服务超过1250万活跃用户和财富全球100强中的88家公司。JetBrains首席技术官Vladislav Tankov与Anthropic分享了他们团队如何评估新模型、决定何时使用Claude Fable 5，以及在使用前沿模型时如何考虑数据保留和安全保障。 2026年
AI资讯人工智能网络安全成为关注焦点
近期多条网络安全新闻显示出人工智能在网络安全领域的重要趋势。
AI商业Scale AI：面向关键决策的可靠AI数据与评估平台
Scale AI 为 AI 实验室、政府机构及大型企业提供高质量数据、评估与模型优化服务，帮助构建可靠、可落地的人工智能系统。