「自我评估」共找到 1049 篇相关文章
Agent也能蒸馏了！性能超好
大模型运行成本高，普通用户用不起。传统小模型模仿大模型解题步骤易出错。论文提出Agent蒸馏，让小模型学会用检索和代码工具，还加首思前缀与自我纠错“外挂”，使小模型性能直逼大模型。
老黄唱衰编程，GitHub CEO硬刚：放弃写代码等于放弃智能体未来话语权
GitHub CEO托马斯·多姆克在采访中反驳“编程无用论”，认为2025年是编程智能体之年，但未来仍属人类程序员。公司推出多个SWE智能体产品，Copilot用户增长显著，还将评估商业模式，专注打造最佳产品。
奥特曼曝出SI三大终局！最强AI只剩一家，否则熔掉全世界GPU
本文是新智元援引The Information爆料，整理OpenAI CEO奥特曼在全员大会上提出的超级AI三大终局，探讨AI安全背景下超级智能发展的终极走向，披露头部AI公司的竞争与利益博弈。
AI 出图为什么总很土？2100 星开源 Skill 用 244 行给了答案
AI出图常显土气，开源项目`gc - minimal - zine - poster`用244行文档给出答案。它将日系zine感拆分为可执行指令，规定九个渲染问题，还给出取值区间和自检方法，能防止风格自我复制，且适配多种Agent。
突发！Claude Opus 5深夜震撼发布，多项跑分锤爆Fable 5，价格腰斩
Claude Opus 5正式发布，总体智能逼近Claude Fable 5，价格仅为一半，多项跑分超Fable 5。它专为高频使用设计，各领域进步显著，有强自我验证和迭代能力，还发布API更新与提示词编写指南。
大模型推理也能“智能调度”：让奖励模型按需分配算力的动态路由机制 | ACL 2026
生成式奖励模型（GRM）推理策略存在算力浪费问题。腾讯混元与新南威尔士大学联合提出 E - GRM 框架，将模型不确定性定义为调度信号，按需推理。文章从多维度解读该框架，并展示实验评估结果。
米哈游一夜烧掉200万元Token，大厂高管也开始质疑：Token烧不出价值，但养肥了谁？
Uber运营负责人质疑AI tokenmaxxing成本合理性，米哈游员工一晚烧200万Token。部分公司开始调整，如多邻国取消AI使用绩效评估，Shopify阻止失控消耗。Tokenmaxxing让模型厂商、编程工具和算力相关方受益，盲目跟风企业或成输家。
年前看到最有深度的AI下半场Agents记忆机制综述
本文是一篇83页的基础智能体记忆机制综述，由27家机构联合发表。提出AI研究范式转变，记忆是填补理想与现实差距的关键。构建三维统一分类框架，介绍记忆操作、学习策略、评估体系、应用场景及未来方向。
DeepSeek开源，Agent能力大升级，剧透2026！
DeepSeek昨晚更新并开源V3.2正式版及长思考增强版V3.2-Speciale，亮点是Agent能力进化。一年来它未增模型规模，靠架构优化等提升性能、降低成本，坚持自我路线很稳，V3.2继续提升能力。
传统训练效率很低？我们靠 “给模型降噪” 重新审视长上下文建模难题
文章指出长上下文模型处理长文本时易受噪声干扰，提出新评估指标IG分数和“上下文去噪训练（CDT）”方法。实验表明CDT优于现有策略，经其训练的开源模型在长上下文任务中性能媲美GPT - 4o。