「评估工具」共找到 2519 篇相关文章
利用大模型从开源情报中自动提取检测规则：LLMCloudHunter，有开源
随着网络攻击增加，威胁情报成主动安全关键。以色列本古里安大学发布LLMCloudHunter框架，用大模型从开源情报自动生成检测规则，评估显示其规则质量高，且大部分能编译成Splunk查询，软件已开源。
ICML 2025 Spotlight | 谁导致了多智能体系统的失败？首个「自动化失败归因」研究出炉
ICML 2025 Spotlight 论文提出「自动化失败归因」新方向，应对多智能体系统失败难诊断问题。构建「Who&When」基准数据集，设计三种初步方法并评估，虽现有方法表现有限，但此研究意义重大，有望助力打造更可靠系统。
近亿元融资落定！隼瞻科技加速芯片设计"敏捷革命"
近日，隼瞻科技完成近亿元天使+轮融资，多家知名战略投资人加入，老股东继续加持。该公司是国内唯一‘IP货架 + EDA工具’双轮驱动企业，自研平台可大幅缩短设计时长，成立三年已迈向规模化落地。
OpenDev：破解AI编程指令衰减难题
当下AI编程工具竞争激烈，大多存在闭源或绑定单一模型的问题。OpenDev是开源的终端AI编程Agent，用Rust编写，仅3.7MB。其论文详细解释设计决策，给出指令衰减问题的工程解法，还有多种实用设计。
真·全民AI健康管家来了！实测蚂蚁AQ：追问识药看皮肤，还能连医院接硬件
蚂蚁上线AI健康管家APP——AQ，有超百项AI功能，连接超5000家医院、近百万医生等。它能追问识药看皮肤，打通硬件，设语音通话。凭借技术和生态优势，实现从技术工具到健康管家的跃迁。
当我把 AI 变成一个"算法"：Skill 工程化设计的心路历程
作者分享将 Agent 工程化设计的历程。指出 LLM 做 Agent 有痛点，引入 CLI 接管确定性任务和上下文管理，还设计了 Workflow 串联工具，实现自动扩展和无缝互转，最后做 workflow - creator 形成自洽闭环。
让AI看懂科研图表：深势科技开源150万高质量科研图文数据集
深势科技开源OmniScience数据集，含150万个高质量图文对。它利用先进工具攻克图文提取难题，经严格筛选成型，涵盖多学科。还设计重写流水线提升图文语义契合度，基于此训练的模型表现优异。
刚刚，Claude独立攻克图论猜想，仅用31步！算法祖师爷高德纳震惊发文
Claude Opus 4.6仅用31步独立攻克图论猜想，算法祖师爷高德纳震惊发文，认为需重新评估生成式AI在数学研究中的作用。这标志着AI在自动推理和解决创造性问题上达到新里程碑。
定位大模型「作弊」神经回路！新研究首次揭示：虚假奖励如何精准激活第18-20层记忆
此前学术界发现大模型用虚假奖励训练也能提升准确率，背后微观机制是黑盒。南科大等团队深度拆解，定位到关键记忆节点，发现‘困惑度悖论’，还能操控记忆，成果对评估、检测和去污染有意义。
刚刚，OpenAI发长篇论文：大模型幻觉的原因找到了~
OpenAI发论文揭示语言模型出现幻觉的根本原因，即训练和评估过程奖励猜测而非承认不确定性。预训练阶段就埋下幻觉种子，后训练阶段‘考试机制’强化幻觉，还给出改评分规则的解法。