「评估范式」共找到 1649 篇相关文章
谷歌发布首个AI+教育RCT实验，传统教材要凉？
谷歌论文提出Learn Your Way AI增强型教科书系统，有两阶段AI生成框架，构建完整学习体验。经专家评审和RCT证明，使用该系统的学生学习效果和体验更好，还介绍了其可用场景。
谷歌AI获IMO“唯一金牌”，硅谷夹道祝贺，奥特曼丢人又丢人
谷歌Gemini新模型获IMO官方认证金牌，用时4.5小时答对5道题，成绩获主席肯定。该进阶版搭载新思考模式，后续开放给订阅用户。这与OpenAI参赛情况形成鲜明对比，OpenAI遭质疑，研究员回应未获网友完全认可。
最强编码模型Claude 4来了！Mcp集成无需Client，扩展提示缓存增强Agent长上下文保持能力
Anthropic 昨日推出新一代 Claude 模型，包括 Claude Opus 4 和 Claude Sonnet 4，在编码、高级推理和 AI Agent 方面树立新标准，有卓越编码能力、显著提升的 Agent 能力、全新 API 功能，Claude Code 也全面上市。
对谈openai首席产品，AI时代的产品思路。
知名播客主理人Lenny对OpenAI CPO Kevin Weil进行访谈，分享了OpenAI内部的产品哲学，包括Model Maximalism、Iterative Deployment、Evals等方法论，还谈及AI技术演进、未来机遇等思考，鼓励培养核心能力应对AI变革。
Lilian Weng：Harness才是模型自我迭代的现实起点和关键，而不是直接重写权重
Thinking Machines Lab联合创始人Lilian Weng发文指出，实现AI递归式自我改进（RSI），设计围绕模型的执行系统“Harness”才是现实起点。文中详述Harness设计模式、优化路径，也指出自我改进面临的瓶颈。
离谱！我以为 OCR 还在一页页抠字，结果百度 1.2 万 Star Unlimited-OCR 直接把长文档一口气读完
百度开源的Unlimited - OCR项目目标是处理图片、长文档等资料，将其转化为Markdown等结构化结果。它提供多入口，解决传统OCR处理长文档的问题，有多种应用方向，但也有边界。
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
把 UI 生成接进流水线：基于半监督评测体系的 UI 自动化生产实践
本文来自蚂蚁集团黄兆嵩在 QCon 2026 的演讲，探讨生成式 UI 技术重塑生产方式。提出系列工程实践，包括高质量生成、LUI 场景应用及质量监控迭代，让前端生产自动运转、用户体验随需而变。
最强大脑组合！全球SOTA的逻辑和记忆CodeBrain-1&MemBrain1.5同时开源
世界模型初创公司Feeling AI正式发布并开源MemBrain1.5和CodeBrain-1，终结AI“无状态”工具时代。CodeBrain提升模型操作成功率、降低成本，MemBrain重构记忆系统，二者助力Agent能力升级。
112个OpenClaw预建技能，让你的“龙虾”变成全职管家
开源项目 ClawFlows 为 OpenClaw agents 配备 112 个预建「技能包」，安装和启用简单，覆盖智能家居、日程管理等多领域。工作流以 markdown 文件呈现，支持多种语法，可修改分享，但有使用限制和质量差异。