「双轨评估体系」共找到 1250 篇相关文章
陶哲轩：我差点江郎才尽，只因在普林斯顿待了一年
菲尔兹奖得主陶哲轩在与播客主理人访谈中称，在普林斯顿埋头搞学术让他灵感枯竭，数学家需生活琐事激发想法。还探讨科学研究，如开普勒定律、AI在数学研究的应用、科学评估等问题。
在AI社会抓「内鬼」？上海AI Lab推出首个多智能体极端事件解释框架
2023年起多智能体系统成人类社会数字镜像，但复杂系统会自发涌现极端事件。上海AI Lab等团队推出解释框架，用沙普利值拆解风险，发现极端事件五大演化规律，还能提前防控风险。
智能体时代的强化学习：AReaL 框架与 Agent 最佳实践
本文整理自吴翼博士在 2025 年 QCon 全球软件开发大会的分享。他介绍 AReaL 框架及 Agent 最佳实践，阐述强化学习与大模型联系，指出 Agent 是 AGI 未来 5 年关键，强化学习是 Agent 技术核心，还分享团队成果与经验。
DeepMind新论文炸锅：AI全自动进化算法，写出专家都想不到的解，网友：这可能就是“王牌”
谷歌DeepMind让LLM驱动的智能体AlphaEvolve改写、进化算法代码。选定CFR、PSRO框架，只开放关键决策逻辑给LLM，通过生成、运行、评估、筛选循环，进化出VAD - CFR和SHOR - PSRO算法，表现超人类手工版本。
特朗普刚下禁令，美军动用Claude空袭！军用版或已达Opus 5.5水平
WSJ报道，特朗普刚封杀Claude，美军就用其空袭伊朗。美军多司令部用Claude做情报评估等。Anthropic为军方定制版或达Opus 5.5水平。Anthropic曾因隐私等问题与五角大楼谈判破裂。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
登顶Hugging Face论文热榜，LLM重写数据准备的游戏规则
企业数据团队面临数据准备难题，传统方法依赖人工规则，有诸多局限。上海交通大学等机构研究团队综述指出，LLM正推动数据准备从“规则驱动”向“语义驱动”转变，还给出技术选型、评估基准及工程指南。
4 个月 3000 万美金 ARR，做 AI 评测榜单的 LMArena 为何值 17 亿美金
AI评测产品LMArena半年前种子轮获1亿美金，现完成超1.5亿美金A轮融资，估值达17亿美金。其核心产品Chatbot Arena可对比AI模型回答并构建榜单，公布的数据或解答了其估值高的疑问。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
瞄准AI、图形顶端战场：摩尔线程上演国产GPU硬核实力路演
摩尔线程首届 MUSA 开发者大会集中亮相技术体系。发布新一代统一计算架构 MUSA 路线图，介绍新架构、芯片及万卡集群，还涉及前沿布局，发起开发者培训，推出 AI 算力笔记本，宣告国产算力自主化时代加速到来。