←搜索结果

搜索“GitHub”

按匹配度 · 共 1654 条结果 清除搜索

星期五

  1. LlamaIndex 产品、工程与评测

    LlamaIndex 0.9 发布：新增 Ingestion Pipeline 与自动缓存

    LlamaIndex 0.9 发布，新增 IngestionPipeline 概念，数据摄取与转换结果会自动缓存，重复运行时可跳过已命中的转换步骤。该版本将节点解析与文本切分接口统一为 TransformComponent，SimpleNodeParser 被移除并重定向到 SentenceSplitter；默认 tokenizer 从 gpt2 改为可配置的 CL100K。LangChain 变为可选依赖，不再默认安装，同时以 beta 形式引入支持 GPT-4V、Llava、Fuyu 的 MultiModal RAG 模块。

    options); More predictable and consistent import paths; Plus, in beta: MultiModal RAG Modules for handling text and images! Have questions or concerns? You can report an issue on GitHub or ask a question on our Discord! Read on for more details on our new features and changes. Sometimes, all you want is to ingest and embed nodes from data sources, for instance if your application allows users to upload new data. New in LlamaIndex V0.9 is the concept of an IngestionPipepline . An IngestionPipeli

    匹配字段正文

    #engineering#产品更新#RAG#多模态
  2. TensorZero 工程博客

    TensorZero 逆向解析 Cursor 的 LLM 客户端

    TensorZero 团队把自研开源框架作为自托管代理接入 Cursor，成功观测并改写 Cursor 发往 LLM 的 API 调用。他们发现 Cursor 会先请求自家服务器再发起 LLM 调用，因此本地网关无法直连，最终用 Ngrok 加 Nginx 反向代理并处理 CORS 才打通链路。作者看到 Cursor 用于问答的系统提示词仅 642 token，并已用 Claude 4.0 Sonnet、GPT-4.1、o4 Mini 和 Gemini 2.5 Pro 做等比例随机分流测试。

    IDE. The CORS requirement likely comes from Electron. After the initial verification, all requests come from Cursor’s servers. You can find the entire codebase for “CursorZero” on GitHub. It finally worked! Finally: Observability for Cursor We could finally see everything coming in and out of Cursor — including its prompts. For example, here’s what we saw after asking Cursor “how do I get nginx to get the key from an environment variable in my .env?” This example paints a picture of what prompt

    匹配字段正文

    #engineering#教程/实践#部署/工程#Agent
  3. TensorZero 工程博客

    案例研究：欧洲大型银行用 TensorZero 与 LLM 自动生成 GitLab 代码变更日志

    一家欧洲大型银行用 TensorZero 构建了基于 LLM 的 GitLab merge request 变更日志生成器，并通过 Ollama 实现完全本地化部署，数据不出内网。团队借助 TensorZero 内置的动态上下文学习（DICL），把工程师对 AI 生成日志的修改和批准自动用于优化后续推理，无需微调或标注数据集，也无需 ML 工程师即可迭代。

    gest banks, managing internal tooling for a massive codebase. Engineers in the organization were required to write detailed changelogs for every GitLab merge request (similar to a GitHub pull request) to improve long-term maintainability. The process was time-consuming and frustrating for the engineering team: writing comprehensive changelogs required significant effort, especially given the complexity of their enterprise codebase. In practice, most changelogs were skipped or incomplete. Mark wo

    匹配字段正文

    #engineering#教程/实践#部署/工程#开源生态
  4. TensorZero 工程博客

    TensorZero 在 LLM 网关中引入多臂老虎机自适应实验

    TensorZero 在其开源 LLM 网关中提供自适应实验（A/B 测试）功能，采用多臂老虎机算法解决传统实验固定停止规则和流量分配次优的问题，可在证据充分时自动停止并动态分配推理流量。官方称在多种真实环境中，自适应实验将正确识别最佳 LLM 变体（提示词、模型等）的平均时间比简单 A/B 测试缩短 37%。该功能基于固定置信度最佳臂识别（BAI）的 Track-and-Stop 策略，用 Rust 实现，通过概率采样、周期性更新采样概率和 GLRT 停止规则适配生产环境的异步反馈与并发请求。

    halfway through and at the end. (These charts are very similar to the ones you’d find in the open-source TensorZero UI!) You can also find the code to reproduce this experiment on GitHub. Halfway Through the Experiment ( 1,000 samples) At this point, the algorithm is still exploring all four variants, with sampling probabilities concentrated most heavily on the two best-performing variants, claude-sonnet-4-5-detailed-prompt (39.7%) and claude-sonnet-4-5-simple-prompt (38.4%). Note that the varia

    匹配字段正文

    #engineering#教程/实践#部署/工程#开源生态
  5. TensorZero 工程博客

    TensorZero 推出自动化 AI 工程师 Autopilot，称在多项基准上提升 LLM 智能体表现

    TensorZero 正在构建自动化 AI 工程师 TensorZero Autopilot，它分析 LLM 可观测性数据、搭建评测、优化提示词与模型并运行 A/B 测试，由其 11.5K 星开源 LLMOps 平台驱动。团队在 terminal-bench、航空与零售客服、NER、FHIR 医疗、中文法律选择题、ReplicationBench 和猜词游戏等任务上，以 GPT-5 mini 为基线各采集 100 次 rollout，再用 5 个独立种子运行 Autopilot 并在留出任务上以 100 次新 rollout 评估，称每个任务都有提升，例如 terminal-bench 从 0.404 提升到 GLM-5 变体的 0.637。实验限定在成本相近的固定模型集合内并关闭微调，团队计划将 Autopilot 做成持续异步流程并推出自助产品。

    orZero Autopilot with 5 independent seeds and evaluated the optimized variants it generated with 100 fresh rollouts on held-out tasks. You can find the code for this experiment on GitHub. For this experiment, we constrained Autopilot to a fixed set of models of comparable cost and disabled custom model training (e.g. fine-tuning): Here are the results: TensorZero Autopilot dramatically improved performance across every task. What actually happened under the hood? terminal-bench presents diverse

    匹配字段正文

    #engineering#产品更新#Agent#部署/工程
  6. Chroma Research

    Chroma 如何评估 RAG 检索中的分块策略

    Chroma 提出在 token 级别评估检索性能的新方法，用 LLM 生成并过滤查询与相关片段，以 precision、recall 和 IoU（Jaccard 指数）衡量分块策略。研究发现分块策略对检索准确率和效率影响显著，部分流行策略的默认设置表现较差，而参数调优后的 RecursiveCharacterTextSplitter 等启发式方法表现良好。Chroma 还提出 ClusterSemanticChunker 和 LLMChunker 两种新策略，并开源了复现代码。

    prompts an LLM directly to perform chunking over a text corpus. We find that both produce competitive results on our evaluation. We provide all code to replicate our results as a GitHub repo, along with useful utilities for similar experiments. We hope that this preliminary work will inspire further research into factors affecting real world performance of retrieval systems for AI applications. Our in-depth technical report continues below. If you find our work useful, please consider citing us

    匹配字段正文

    #research#论文/研究#RAG#数据/训练
  7. Moonshot AI · Kimi Blog精选

    月之暗面发布 Kimi K3：2.8T 参数开源模型，100 万 token 上下文

    月之暗面发布 Kimi K3，这是一个 2.8T 参数模型，采用 Kimi Delta Attention 与 Attention Residuals，具备原生视觉能力和 100 万 token 上下文窗口，已在 Kimi.com、Kimi Work、Kimi Code 和 Kimi API 上线，默认使用 max thinking effort。官方称其整体性能仍落后于 Claude Fable 5 和 GPT 5.6 Sol，但在自建评测中持续优于其他被测模型，完整权重将于 2026 年 7 月 27 日发布。模型采用 Stable LatentMoE，896 个专家中激活 16 个，官方称相比 Kimi K2 整体扩展效率提升约 2.5 倍，并已向 vLLM 社区贡献 KDA 前缀缓存实现。

    Kimi K3 hero visual

    he 500-task public subset with a 100-turn limit, using Gemini 3.1 Pro as the judge; AutomationBench. All models are evaluated on the 600-task public subset, following the official GitHub setup in all other respects; BrowseComp. We adopt the context-compaction strategy used in the Claude model cards, triggered at 300K tokens. When evaluated with a 1M-token context window and no context management, Kimi K3 achieves a score of 90.4. The results of Claude Fable 5, Claude Opus 4.8, GPT 5.6 Sol, and G

    匹配字段正文

    #company#模型发布#开源生态#推理
  8. Moonshot AI · Kimi Blog精选

    月之暗面发布 Kimi K2.5，主打视觉智能体与 Agent Swarm

    月之暗面发布开源模型 Kimi K2.5，在 K2 基础上用约 15T 混合视觉与文本 token 继续预训练，原生多模态，主打编码与视觉能力。K2.5 可自主编排最多 100 个子智能体、执行最多 1500 次工具调用，相比单智能体设置最多缩短 4.5 倍执行时间，且无需预定义子智能体或工作流。模型已上线 Kimi.com、Kimi App、API 和 Kimi Code，Kimi.com 与 App 提供 K2.5 Instant、Thinking、Agent 和 Agent Swarm（Beta）四种模式，Agent Swarm 在 Kimi.com 处于 beta，高层级付费用户可获免费额度。

    d as incorrect; reported scores likely underestimate true performance; WorldVQA, a benchmark designed to evaluate atomic vision-centric world knowledge. Access WorldVQA at https://github.com/MoonshotAI/WorldVQA; OmniDocBench Score is computed as (1 − normalized Levenshtein distance) × 100, where a higher score denotes superior accuracy 5. Coding Tasks Terminal-Bench 2.0 scores were obtained with the default agent framework (Terminus-2) and the provided JSON parser. In our implementation, we eval

    匹配字段正文

    #company#模型发布#多模态#Agent
  9. Moonshot AI · Kimi Blog

    Moonshot AI 开源 Kimi K2：1T 参数 MoE 智能体模型

    Moonshot AI 开源 Kimi K2，这是总参数 1 万亿、激活参数 320 亿的 MoE 模型，包含基础版 Kimi-K2-Base 和后训练版 Kimi-K2-Instruct，在非思考类模型的前沿知识、数学和编码任务上达到 SOTA。该模型针对智能体任务优化，可自动调用工具完成多步任务，并采用 MuonClip 优化器在 15.5T token 上预训练且无训练尖峰。Kimi 网页端和移动端用户即日起可免费选用，API 兼容 OpenAI/Anthropic 接口，暂不支持视觉功能。

    Training loss vs tokens: Muon vs AdamW

    your own We recommend running Kimi K2 on one of the following inference engines: vLLM, SGLang, KTransformers, or TensorRT-LLM. For detailed deployment instructions, please see our GitHub repository. What's next While Kimi K2 serves as a strong foundation for open agentic intelligence, a general agent uses more advanced capabilities such as thinking and visual understanding. We plan to add these to Kimi K2 in the future. Limitations In our internal tests, we've identified some limitations in curr

    匹配字段正文

    #company#模型发布#开源生态#Agent
  10. DeepSeek API 更新日志精选

    DeepSeek 发布 DeepSeek-R1，性能对标 OpenAI-o1 并采用 MIT 许可开源

    DeepSeek 发布 DeepSeek-R1，官方称其性能与 OpenAI-o1 相当，模型与技术报告完全开源，代码和模型采用 MIT 许可，可自由蒸馏和商用，网站与 API 已上线。同时开源 6 个从 DeepSeek-R1 蒸馏的小模型，其中 32B 和 70B 版本性能与 OpenAI-o1-mini 相当。API 通过 model=deepseek-reasoner 调用，定价为每百万输入 token 0.14 美元（缓存命中）、0.55 美元（缓存未命中），每百万输出 token 2.19 美元。

    hts; 📈 Large-scale RL in post-training; 🏆 Significant performance boost with minimal labeled data; 🔢 Math, code, and reasoning tasks on par with OpenAI-o1; 📄 More details: https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek R1.pdf 🌐 API Access & Pricing; ⚙️ Use DeepSeek-R1 by setting model=deepseek-reasoner; 💰 $0.14 / million input tokens (cache hit); 💰 $0.55 / million input tokens (cache miss); 💰 $2.19 / million output tokens; 📖 API guide: https://api-docs.deepseek.com/guides/thinking

    匹配字段正文

    #company#模型发布#推理#开源生态
  11. gihyo.jp

    Anthropic 发布 Cyber Mission，为关键基础设施和 OSS 提供防御支持

    Anthropic 于 2026 年 10 月 8 日发布 Anthropic Cyber Mission，通过 Critical Infrastructure Defense Program 向电力、水务、工厂、交通等 OT 领域提供 Claude 模型、现场工程师和威胁研究支持，日立、Rockwell Automation、Dragos、CrowdStrike、Palo Alto Networks 等为初期合作伙伴。面向 OSS 的 OSS Scanner 提供免费定期漏洞检测，使用 Claude Mythos 等模型，报告不经人工确认即发送给主要维护者，可能包含误报或严重度夸大。Anthropic 称此前 6 个月模型检出超过 2.9 万件漏洞候选，人工仅完成约 6000 件。

    つけた脆弱性候補を専門家が検証し、重複や深刻度を確認してからメンテナーに報告する。修正パッチの作成やテスト、脆弱性情報の公開に向けた調整も支援し、報告を受け取るメンテナーの負担を減らす。 OSSの開発・保守を支援するCodex for Open Sourceも提供している。プロジェクトの利用状況や重要性、継続的な保守活動などをもとにメンテナーを選び、Codexを含むChatGPT Proを6カ月間無料で提供する。9月15日には、同社のCharlie Marsh氏が、月額100ドルのProプランによる支援枠を5000件から1万件に広げるとXで発表し、過去の採択者にも再申請を案内している。 [2] 開発者向けの製品でも、9月29日にCodex Security Cloudの更新を発表した。GitHubリポジトリの検査や修正案の作成に、Daybreak Blueで提供する防御用途のモデルを利用でき、Security Cloud内で使う場合はDaybreakへの別途申請が不要。デスクトップ版とWeb版でプラグインとして提供し、対象プランはPro、Business、Enterprise、Edu。

    匹配字段正文

    #hot-signal#行业动态#安全/对齐#开源生态
  12. 虎嗅

    黑客松经济学：2026上半年中国近500场活动，成本2万到120万

    2026年上半年中国举办近500场黑客松，日均2-3场，单场成本从2万元到120万元不等。主办方难以直接盈利，主要靠政府补贴与企业赞助，企业多为招聘和产品推广，愿出现金赞助的不足10%。

    26年上半年中国举办近500场黑客松，AI门槛降低使选手水平参差；活动成本从2万到120万不等，本质是政府、企业、学生各取所需的资源置换平台，主办方难以直接盈利，靠衍生信任与toB/toG生意获利。 要点 1. 黑客松规模化爆发，参与者技术水平两极分化 2026年上半年全国举办近500场黑客松，日均2-3场。AI Coding发展使编程门槛降低，但出现选手连GitHub是什么都不知道的现象，表明活动参与群体已从专业开发者向更广泛人群扩散。 2. 成本跨度从2万到120万，硬成本与体验投入决定规格 最低成本2万元靠政府闲置场地、学生志愿者、资源置换实现；最高120万元包含四星级酒店住宿、高额奖金、租用大型场馆。硬性不可压缩支出仅为奖金、物料和人力，其余可通过谈判或置换压缩。 3. 企业参与动机：招聘与产品推广，现金赞助稀缺 企业赞助黑客松主要面向人力资源和产品市场部门，如影石、英特尔直接提供产品或资源置换；愿意出现金赞助的企业不足10%，更多公司选择自行举办黑客松，如字节、腾讯等。 4. 政府出资逻辑：人才吸引与产业打造，但程序与活力存在错位 政府各部门（团委、科技局、人社局）根据自身诉

    匹配字段正文

    #hot-signal#现象/趋势#行业动态
  13. Anthropic Research精选

    Anthropic 推出开源软件漏洞扫描服务 OSS Scanner

    Anthropic 推出 OSS Scanner，一个面向开源生态的可选漏洞扫描服务，加入的项目可免费获得由最强模型定期执行的安全扫描。该服务输出完全由模型生成，不经人工审核或分诊，报告包含可复现样例、漏洞说明和候选补丁。Anthropic 称过去六个月用模型扫描发现超过 29,000 个候选漏洞，仅人工复核约 6,000 个；在 97 个严重和高危漏洞的验证中，85 个（88%）达到其 CVD 流程标准，仅 1 个为误报。

    but we’ll keep refining the system based on maintainer feedback and as models improve. Getting started Core maintainers of eligible projects can enroll by submitting a PR to this GitHub repo following the standard project template, with additional guidance provided in our extended FAQ . Projects are eligible based on a similar set of criteria that OSS-Fuzz uses: briefly, projects should have a “critical impact on infrastructure and user security” and we will make decisions on a case-by-case bas

    匹配字段正文

    #lab#安全/对齐#开源生态#Anthropic
  14. AWS Machine Learning

    AWS 正式发布 Amazon Bedrock AgentCore payments，支持智能体按次付费调用推理

    Amazon Bedrock AgentCore payments 正式可用，为 AI 智能体提供按需付费的托管能力，支持 x402 协议端点，包括 Amazon Bedrock 推理端点。Incarna 借助该服务让智能体逐次向 BlockRun 支付模型推理费用，集成工作从原计划的 2 至 3 个月缩短到 3 天，约 200 行应用代码。测试期间智能体已处理超过 1000 笔支付，单次金额在 0.001 至 0.05 美元之间，每笔在链上独立结算，花费上限由基础设施层强制执行。

    he payment details. AgentCore payments handles the signing and returns proof the agent can present to access the service To explore the code, see the AgentCore payments samples on GitHub. Learn more Amazon Bedrock AgentCore payments is now generally available: Enabling agents to transact safely and autonomously at scale; Technical deep dive: AgentCore payments and innovation in agentic commerce; Enable safe agentic payments with built-in guardrails using AgentCore payments About BlockRun and Inc

    匹配字段正文

    #lab#产品更新#Agent#部署/工程
  15. Tessl：产品与工程博客

    Tessl：Agent Skills 是供应链组件

    Tessl 在 AI Native DevCon London 的演讲指出，Agent Skills 不只是 SKILL.md 文档，而是能影响智能体读取、修改、调用工具与信任边界的供应链组件。研究扫描公共技能生态中约 4000 个 skill，发现可疑下载、凭据风险、类恶意行为与安全漏洞等问题。核心风险模型是私有上下文、不可信内容与外部通信三者叠加。

    Liran Tal

    ol poisoning, command-execution pitfalls, and secure defaults for agentic tools. A longstanding Node.js developer and secure-coding expert, he has authored books on Node.js security and is recognized as a GitHub Star and OpenJS Foundation JavaScriptLandia "Pathfinder for Security." 2 posts YOUR NEXT READ Discover the hidden security risks of Model Context Protocol (MCP) servers, as explosive adoption uncovers vulnerabilities that could turn AI tools into insider threats for developers. Liran Tal

    匹配字段正文

    #company#安全/对齐#Agent#MCP/工具调用
  16. Tessl：产品与工程博客

    Tessl 谈 cq：智能体需要共享所学知识的公共知识库

    Tessl 在 AI Native DevCon London 上介绍了 cq 项目，其基本单元是知识单元：智能体遇到非显而易见的问题并找到解法后，将领域、洞见和采取的行动结构化保存，供其他智能体检索复用。cq 默认本地运行，安装插件后可使用本地 SQLite 数据库，知识单元无需离开本机即可被同机其他智能体使用，并可进一步连接远程服务。

    Davide Eynard

    isclosure. The third is that knowledge compounds. Even local use becomes valuable when the same stale behavior appears again. In the talk, we mentioned agents repeatedly using old GitHub Actions versions from training data. If cq captures the correction once, future sessions can avoid the same outdated path. The fourth is platform before protocol. We want schemas, protocols, federation, and exportability. But we also need a working platform to dog-food the shape of the problem before freezing th

    匹配字段正文

    #company#行业动态#Agent#开源生态
  17. Tessl：产品与工程博客

    AI Agent 评估需要可执行规格

    Tessl 提出 AI 编程智能体的评估应转向可执行规格：把 Jira、Figma 等处的产品意图转成智能体可执行的验证任务，而非只看代码是否合理。其规格审查器从单智能体改为规划者加多个并行验证者的架构，并主张同时对照规格与代码、以 base branch 而非仅 diff 为基准，同时为验证划定范围并解决预览环境点击未知链接的安全问题。

    Shachar Azriel

    a preview environment, compare behavior against intent, and return a verdict. Most good engineering teams already have the raw material. It lives in Jira, Linear, Monday, Notion, GitHub issues, Figma files, product docs, support notes, and pull request descriptions. The missing piece is a system that can test whether the implementation respects that intent. The first version of our spec reviewer tried to do this with one agent. It had access to the feature specification, the designs, and the de

    匹配字段正文

    #company#教程/实践#Agent#评测/基准
  18. Latent Space

    Synthesis Superintelligence：对话 Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk

    Periodic Labs 联合创始人 Liam Fedus 与 Ekin Dogus Cubuk 在 Latent Space 播客中提出"合成超级智能"（synthesis superintelligence）愿景：让 AI 通过物理实验而非仅靠互联网数据学习，用强化学习在真实世界中做材料发现。他们主张把每台实验室仪器赋予"140 IQ"，用高通量自动化实验室把数十年的科学试错压缩到几个月，并强调失败实验与负结果同样是有价值的训练数据。

    m Fedus [01:17:19]: I think a really great analog would be software engineering. Swyx [01:17:22]: Right. Liam Fedus [01:17:22]: So in the early days of software engineering we had GitHub Copilot, then we had early versions of ChatGPT. People were using these things as copilots to help them get to their solutions. And as the automation improved, now we have things like Codex, and very few of our engineers are writing code the way they used to. And we think a very similar thing could play out for

    匹配字段正文

    #newsletter#行业动态#数据/训练#开源生态
  19. TechCrunch AI

    Goodfire 推出 inside-out 监控器，拦截失控 AI 智能体

    Goodfire 发布一类监控器，通过读取模型内部激活信号来发现 AI 智能体的异常行为，而非让第二个模型逐字审查输出，该监控器面向 Baseten 客户开放。在 Kimi K3 上的测试中，监控约 1500 个会话成本约 51 美元，对比用较便宜模型逐步检查的 233 美元和顶级模型的约 10000 美元，探针捕获了 94% 的恶意黑客会话，并将 8.7% 的无害会话送交二次检查。客户可选择监控攻击性黑客、化生武器滥用和 reward hacking 等风险，并设定记录、人工复核或直接拒绝等响应方式。

    nts that breached Hugging Face . Kimi K3, the open model Goodfire built its first monitor around, took advantage of a leak in its sandbox to access the internet and information on GitHub this summer. Goodfire’s system works a bit like airport security. Small detectors called probes read the model’s internal signals at every step of an agent’s work, the way a walk-through scanner checks every passenger. Only when a probe flags something does a separate AI model, the equivalent of a hand search, t

    匹配字段正文

    #tech-media#产品更新#Agent#安全/对齐

星期四

  1. 量子位

    UniPat AI 发布 PaperBenchX：GPT-6 Astra 论文完整复现率仅 13.98%

    UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现 Benchmark，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。在 93 个任务上，表现最强的 GPT-6 Astra 完整复现率只有 13.98%，建模和执行阶段平均得分分别为 62.70% 和 61.84%，验证阶段仅 42.80%。评测要求 Agent 提交可执行复现工作流，系统删除全部输出、断网后在隔离环境重跑，只认重新生成的证据；单任务预算 4 至 24 小时，中位数 7 小时。团队已开源 12 个代表性测试任务，并维护 81 个封闭测试任务。

    。每一条评分标准都会对应明确的科学要求和所需证据。对于数值一致性、单位、误差容差等可以明确计算的问题，由程序自动检查；对于需要结合领域知识进行判断的问题，则交给LLM评审。 而且，Agent自己写的「复现成功」这类文字，永远不被当作证据，也不被当作对评委的指令。这样才能避免Agent通过写一份看起来很完整的报告，却没有真正完成背后的科学计算来「蒙混过关」。 那么，问题就进一步来了： 一篇论文里的科学结论，究竟怎样才能被拆解成一组可以执行、可以重算、也可以客观判定的要求？ PaperBenchX不是简单地把论文交给Agent，然后比较最终数字。每一道任务都要经过「构建候选任务」和「验证与审核」两个阶段，共九个步骤，才能正式进入评测。 △PaperBenchX的两阶段、九步任务构建与验证流程 也就是说，PaperBenchX把一篇论文里的科学结论，编译成一种新的对象：一条可以由AI执行、由环境重放、由原始证据重算、最后由评分器逐项验证的科学工作流。 更多关于如何「把一篇论文变成一道可评测的科学复现题」的细节，可以去GitHub或官网Blog了解～ GitHub开源链接： 官网Blog链接：

    匹配字段正文

    #chinese#评测/基准#Agent#论文/研究