「个性化助手评测」共找到 1117 篇相关文章
T2R-Bench发布：业内首个由表格生成报告工业基准
为解决大语言模型将表格信息转化为报告的难题，研究团队提出“表格到报告”任务，构建双语基准T2R - bench，其涵盖多垂域表格，还设计评价指标体系，实验显示大模型在该基准上提升空间大。
Shopify 经验贴：如何搞出一个生产级别可用的 AI Agent 系统？
Shopify 以 AI 助手 Sidekick 为例，分享从简单工具调用系统演变为复杂 AI Agent 平台的经验，包括架构设计、评估方法和训练技术等方面，还给出构建生产级别可用的 AI Agent 系统的四条核心建议。
10年前押中英伟达：这位复旦学霸如何用AI Agent重新定义投资
文章讲述投资老手赖蕴琦创立RockFlow、开发AI助手Bobby，欲用AI Agent重新定义投资。她认为投资应回归本质，做简单有趣之事，AI可降低门槛，将灵感变交易机会，还探讨了产品发展、影响及行业趋势。
告别“炼丹玄学”：上海AI实验室推出首个大模型数据竞技场OpenDataArena
上海人工智能实验室OpenDataLab团队推出开放数据竞技场OpenDataArena，致力于将数据质量评估从“玄学”变为“科学”。它有数据评测榜单和完整可复现的数据价值验证体系，为多类需求提供解决方案，还开源了核心工具。
是「福尔摩斯」，也是「列文虎克」，智谱把OpenAI藏着掖着的视觉推理能力开源了
智谱开源视觉推理模型 GLM-4.5V，还同步开源桌面助手应用。此模型视觉推理能力强，在图像识别、视频理解、前端复刻、图表处理等多方面表现出色，技术创新使其达开源 SOTA 水平，推动行业注重实用价值。
看遍奥斯卡后，VLM达到电影摄影理解新SOTA｜上海AI Lab开源
上海人工智能实验室等推出ShotBench、ShotVL及ShotQA，ShotBench含超3.5k问答对，ShotQA约7万个问答对。ShotVL在ShotBench评测中表现出色，3B参数的ShotVL-3B增益达19.0%，超越GPT - 4o等。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
不是「电商 AI」，而是「AI 电商」
GenAI时代，AI与电商消费结合成趋势，“值得买科技”提出“全面AI战略”，发布火眼AIUC引擎等4个作品。其海纳MCP Server可输出消费服务能力，推动AI生态建设。还落地什么值得买Gen2和张大妈Agent等应用。
DeepSeek接入智慧小浪，「评论罗伯特」爆梗进化！背后大模型全揭秘
新浪新闻推出AI辅助工具「智慧小浪」，接入DeepSeek深度思考能力，依托知微大模型，能总结资讯要点、提供延伸阅读。微博「评论罗伯特」升级，更懂用户情绪、回复有深度。此外，微博还有博主AI助手等爆款应用。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。