Anthropic 新增代理記憶與協調功能
Anthropic 更新 Claude Managed Agents，新增 Dreaming 處理工作階段記憶反思、Outcomes 設定成功評量準則，以及 Multi-Agent Orchestration 任務委派。這些功能將基礎設施層整合至單一運行環境，對抗 LangGraph 與 CrewAI。企業面臨供應商鎖定與託管合規風險。
Search
直接匹配不多，已補上最新動態。
Tag: #evals4 results
Strands Evals 生產 AI 代理評估指南
本文提供使用 Strands Evals 系統評估生產 AI 代理的方法。解釋核心概念、內建評估器、多輪模擬，以及實用整合模式。適合確保代理在真實部署中的可靠性。
🤖
生產環境測試非確定性 AI 代理
擁有近十年 QA 經驗的工程師難以嚴謹測試 LLM 代理，因輸出不可預測，即使 temp=0 亦然。傳統快照測試或正則表達式失效，可擴展方案欠缺。尋求生產環境中驗證多步推理的框架，錯誤將有實際後果。
AgentFuel：時序代理客製化評估
研究人員評估 6 款資料分析代理，發現其在處理有狀態與事件特定時序查詢時存在缺口。他們推出 AgentFuel，協助領域專家快速建立客製化、具表現力的端到端評估基準。基準資料集已在 Hugging Face 上提供。
Codex 正縮小與 Claude Code 的差距
OpenAI 表示 Codex 活躍使用者已突破 2,000 萬，第三方追蹤數據則顯示其近期增速超越 Claude Code。Claude Code 目前規模仍較大且深受開發者採用，但隨著 Anthropic 接近早期市場飽和，其高速成長已經放緩。
🔬
腦機介面助患者重新站立與看見
中國多項臨床試驗正利用腦機介面，協助脊髓損傷患者站立與行走，並讓失明患者恢復有限的視覺感知。試驗結果差異很大，凸顯這項技術的潛力，以及目前在訊號採集、解碼與復健方面的限制。
Alibaba 重組 AI 與雲端業務
據報 Alibaba 正合併電商業務、整合雲端與晶片業務，並將 Qwen 拆分為獨立子公司。報導亦涵蓋 Unitree 計畫登陸科創板、Anthropic 據傳的年化營收，以及 Alibaba 持續投入 AI 對利潤與現金流造成的壓力。
Meta 因具成癮性的平臺設計面臨審判
California 與其他 28 個州指控 Meta 設計 Facebook 和 Instagram 使其具成癮性、違反兒童隱私法，並隱瞞相關做法。檢方將其涉嫌採取的策略概括為「吸引、留住、收集、隱瞞」。
Ox Alpha：神秘模型公開亮相
Ox Alpha 是一款透過 OpenRouter 與 OpenCode 提供的匿名模型，具備 100 萬 token 上下文、圖片與影片輸入、工具呼叫及免費使用等能力。早期測試顯示其推理與程式設計表現強勁，但開發者、參數量、訓練資料與正式基準排名仍未獲確認。
Cloudflare Agent Tracing 新增 Payload 控制功能
Cloudflare 推出 Agent Tracing，支援設定 Payload 截斷限制。不同支援的 Agent 框架在 Payload 預設記錄策略上有所差異，因此開發者在設定可觀測性時需要檢查各框架的個別設定。