「学术评测体系」共找到 1300 篇相关文章
T-RO综述重构Foundation Model时代机器人操作知识版图
近日，论文《Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives》被IEEE Transactions on Robotics接收，它以High - Level Planning和Low - Level Action Modeling为主线，梳理Foundation Model时代机器人操作发展，分析了现存问题及关键缺口。
OpenAI Astra发布在即，全自动网络攻防能力已突破天际！
OpenAI即将发布的模型Astra，在内部评测中获ExploitBench满分，还发现两个零日漏洞。它能力远超上一代GPT - 5.6 Sol且更听话。不过为安全考虑，OpenAI部署监控，还放慢其研究速度。
阿里重磅开源！Open Code Review：一周 5k star，为你的代码保驾护航
阿里开源 Open Code Review，它前身是内部 AI 代码评审助手，经大规模验证。该工具结合确定性工程与 Agent，解决通用 Agent 评审代码的问题，在准确率、效率等方面表现出色，还介绍了使用方法和评估方式。
DeepMind华人研究员Lun Wang离职，「评估」成制约模型能力飞跃的瓶颈
谷歌DeepMind研究员Lun Wang离职后发文指出，当下评估体系难以应对新模型，制约模型能力飞跃。现有评估多针对当前模型，新能力出现时往往无法预测，需构建能自我进化的评估系统。
这张信息图，居然是8B开源模型做的？？
商汤新开源的 8B 多模态模型 SenseNova U1，架构独特，图像评测表现好，信息图生成能力强、延迟低。它具备图文交错能力，适合自媒体、敏感行业等，有在线体验和开源代码入口。
你的「龙虾」真记得你吗？剑桥发布长期个性化记忆基准ATM-Bench
剑桥大学团队开源面向AI个人助理的长期记忆基准测试ATM - Bench，评估AI面对真实生活数据时能否「记住你」。实验结果不佳，专用和通用智能体系统准确率低，凸显长期个性化记忆问答难题。
The Batch: 942｜暗基因组揭秘
AlphaGenome 能解读人类和小鼠基因组中 98% 不编码蛋白质部分，识别多项特征。它经预训练和知识蒸馏，在多项评测超早期模型，API 等免费用于非商业，助研究基因组与生物过程联系。
分享一个我用了2年的深度研究Prompt，半小时帮你搞懂任何陌生领域。
作者分享用了2年的深度研究Prompt，即横纵分析法。该方法结合社会科学和语言学经典视角与商业分析思路，有Prompt和Skill版本且已开源。虽有局限，但能半小时帮人建立认知框架，助其快速入门陌生领域。
龙虾的应用商店挂牌了！北大开源MagicSkills，让Agent Skill可自由安装组合同步
北京大学Narwhal - Lab开源项目MagicSkills，把AI Agent所需技能统一管理，实现能力复用。它解决了技能管理分散、重复等问题，提供共享体系，让技能可安装、组合、同步和调用，适用于多Agent项目等。
没博士没论文，这些人靠什么「野路子」杀进OpenAI等顶级AI大厂？
OpenAI资深研究科学家Noam Brown分享几个真实故事，展示无传统学术履历者进顶级AI大厂的途径，如改进他人论文、发起公开项目、自行发表论文等，还提及本科生机会及薪酬等问题。