「知识评估」共找到 1171 篇相关文章
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
字节开源版Seedance发布，超越Sora 2！
字节Alive团队发布开源版Seedance 2.0，在人类评估中超越Sora 2等。它通过统一架构、时空对齐技术和非对称训练策略，解决声画不同步和画质音质难两全问题，还建立数据流水线和测试基准。
两个LLM互相对线，推理能力起飞：康奈尔团队发布大模型版类GAN训练法
康奈尔大学团队提出面向大语言模型的类GAN训练框架PasoDoble，通过对抗训练两模型提升推理能力，不依赖外部监督，在多模型实验中显著提升数学基准表现，不过在部分领域外任务有局限。
大厂CIO独家分享：AI如何重塑开发者未来十年
阿里云智能集团副总裁、CIO 蒋林泉分享 AI 时代开发者竞争力构建。探讨技术贡献衡量、全栈工程师发展、产研与业务提效顺序、知识协作及大厂招人要求等，指出 AI 助发现并解决软件工程问题。
智能体崛起，AI+软件研发到新拐点了？
InfoQ《极客有约》X AICon 直播邀请多位嘉宾探讨 LLM 时代软件研发新范式。指出 AI 在测试中多为提效工具，距“原生开发时代”尚远；Coding Agent 潜力大；还谈及 AI 应用场景、落地问题、人员能力要求等。
20岁辍学生用AI帮人记笔记，半年做到500万用户，年入百万美元
Turbo AI是一款主打课堂场景的AI笔记应用，由两位20岁大学辍学生创立。过去半年用户从100万飙到500万且盈利，仅融资75万美元。它功能丰富，但也有被指是GPT套壳、价格贵等问题。
自动驾驶公司，正在标配飞书
2025年自动驾驶行业快速发展，众多企业在知识沉淀和提效工具上达成共识，选择飞书。如地平线用其管理知识，Momenta借其打通研发流程，四维图新举办大赛挖掘提效案例，飞书成物理AI浪潮加速器。
游戏研发中的 AI 转型：网易多 Agent 系统与知识工程实践
本文整理自网易游戏高级技术经理林香鑫分享，介绍大模型在游戏研发落地实践。团队用代码知识谱图、多 agent RAG 召回等技术打造超级助手，在多业务场景落地，推动内部 AI 生成代码覆盖率提升。
Thinking Machine新研究刷屏！结合RL+微调优势，小模型训练更具性价比了
Thinking Machine新研究提出On - Policy Distillation方法，结合RL与微调优势。该方法让学生模型每步由教师模型指导，用KL散度评估分歧。实验表明其训练小模型性价比高，还能解决AI“灾难性遗忘”问题。
Vision-Zero：零数据VLM自我进化！陈怡然团队提出零监督训练新范式
陈怡然团队提出零监督训练新范式Vision-Zero，在多模态任务表现突出。它借鉴自博弈技术，设计自博弈框架，解决数据稀缺和知识天花板问题，还缓解跨能力负迁移，开源代码与模型可供研究。