「评估工程」共找到 1392 篇相关文章
准确率腰斩！大模型视觉能力一出日常生活就「失灵」
EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。
OPPO AI重磅发布：深度研究智能体，离“真正好用”还有多远？我们给大模型做了一次全身体检
2025年，Deep Research成AI热点，OPPO AI Agent Team对大模型评测。发布论文，开源评测基准FINDER和失败分类体系DEFT，揭示AI“装懂”“缺乏韧性”问题，还分析模型表现并给出发展建议。
CTO 焦虑自白：为什么我们有了 AI 博士生，但员工却越干越累？| 直播预告
本次直播由值得买、飞猪与彩讯多位专家，从 CTO 视角实战复盘 AI 落地与工程化挑战，探讨 AI 提效 ROI 临界点、能力错配、数据投喂等问题，还会深度复盘模型落地困局等。
AutoDev CLI：打造 AI 生成的 AI Agent 质量保障与验证架构
文章介绍AutoDev CLI，它基于AutoDev MPP架构构建，旨在解决上一代AutoDev智能体测试难题。阐述其起步、迭代、演进、集成过程，实现从AI生成代码到验证、生成测试系统的转变，带来可验证、可演化、可移植的优势。
杨植麟带 Kimi 团队深夜回应：关于 K2 Thinking 爆火后的一切争议
上周，月之暗面发布并开源 Kimi K2 Thinking，主打“模型即 Agent”，引发广泛关注。今日凌晨，杨植麟等团队成员在 Reddit 开展 AMA 活动，回应 K2 Thinking 相关问题，如 KDA 机制应用、训练成本、速度与准确性平衡等。
360发布全球最强视觉语言对齐模型！榜单全面领先！
360发布FG - CLIP 2双语细粒度视觉语言对齐模型，几乎在所有数据集上全面领先。它能让AI在统一框架内看懂图像细节、理解中英双语，团队还提出新中文多模态评测基准。
Groupe SNCF 使用 Talos OS 和 Kubernetes 实现基础设施的现代化
法国国家铁路集团（Groupe SNCF）从传统 VM 的 Kubernetes 部署迁移到基于 Talos OS 和 OpenStack 的云原生平台，解决运维挑战。虽面临组织和技术难题，但紧密合作加强了平台，未来将扩展平台、迁移关键应用。
数据智能体全景报告发布！你的数据智能体在哪个 Level？
大语言模型爆发让「数据智能体」应运而生，但概念笼统成发展绊脚石。由多顶尖机构组成的联合团队发布论文，首提 L0 - L5 六级自主性分级标准，还对现有研究回顾审视，指明挑战并描绘未来图景。
打造图像编辑领域的ImageNet？苹果用Nano Banana开源了一个超大数据集
苹果研究团队提出Pico - Banana - 400K数据集，基于Nano - Banana在OpenImages实拍照片生成编辑对。其系统化设计保证质量与多样性，还构建自我编辑评估流程，为图像编辑模型训练评测奠定基础。
倒计时18个月！微软AI CEO爆料：类人意识AI或将降临
微软AI CEO Mustafa Suleyman称未来18个月可能出现「看似有意识的AI」，他主张对AI自主性坚持「预防原则」，还谈及AI意识、人格工程、理想AI伴侣等话题，描绘了「增强人类」图景。