Claw-Eval：面向可信自主智能体评估的新框架
深度2026年4月7日32 分钟阅读
最有趣的发现是：仅检查最终输出的传统评估会遗漏近一半的安全违规，而多模态任务中视频处理能力普遍弱于图像和文档。人工智能研究者、智能体开发工程师和部署决策者都应阅读本文，以了解如何系统评估智能体的真实可靠性和多模态能力。
本文编译自 Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents，版权归原作者所有。
觉得有用？分享给更多人
相关文章
Anthropic 用无状态的 Playground 取代了 Workbench，砍掉了保存提示词和多轮评估等功能。实测中，它一次就能导出可直接运行的代码，而 OpenAI 导出的只是会话记录。作者认为 Anthropic 没有敷衍，留下的部分确实好用。
深度The New Stack·8月24日·6 分钟
总部位于纽约的 General Intuition 正以 60 亿美元投前估值洽谈融资，新投资者包括 Valor Equity Partners、Point72 Ventures 和 Seven Seven Six，老股东 Khosla Ventures 和 General Catalyst 也参与。公司计划将资金用于提升通用模型，重点发展机器人具身智能。
深度·8月24日·3 分钟