「评估框架」共找到 2212 篇相关文章
给几何图片写标题就能让AI更聪明，UIUC发布高质量可泛化几何数据集
随着多模态大语言模型在视觉问答等任务广泛应用，其几何推理能力成研究热点。现有方法泛化能力有限，UIUC团队提出Geo - Image - Textualization框架，发布GeoReasoning - 10K数据集，提升模型几何推理表现。
邱锡鹏老师团队发布VehicleWorld：让智能汽车真“智能”
邱锡鹏老师团队发布论文，构建高度仿真的智能座舱虚拟环境VehicleWorld，并提出基于状态的函数调用（SFC）方法。实验显示，SFC大幅提升任务执行准确率和效率，还构建了Vehicle Benchmark进行评估。
研究表明：资深开发者在使用AI工具时，完成任务的时间比不使用时延长了19%。
研究通过随机对照试验，发现2025年初资深开源开发者使用AI工具完成任务时间比不使用时延长19%。当前衡量AI能力多依赖标准化评测，可能高估或低估其真实能力，研究旨在更准确评估。
ICML'25 | 告别手动SFT！一句话得到你的专属大模型LoRA
传统微调方法开销大、部署难，Text-to-LoRA (T2L) 框架应运而生。它基于自然语言指令对 Transformer 模型即时适配，有三种架构变体，采用两种训练方法，实验显示其在多维度表现有效。
Google | 发布革命性编码智能体：AlphaEvolve，突破数学极限！
DeepMind 发布由 LLMs 驱动的进化编码智能体 AlphaEvolve，能演化代码库用于算法发现和优化。它结合 LLM 创造力与自动化评估，减少幻觉，在谷歌计算生态、数学算法等多领域有巨大应用潜力。
刚刚，马斯克Grok 4.1低调发布！通用能力碾压其他一切模型
xAI 低调发布 Grok 4.1 并向所有用户开放，可多平台使用。该模型在真实世界可用性上显著提升，尤其在创造力等方面出色。它在多项评估中表现优异，通用能力领先，情感智能、创意写作佳，还降低了事实幻觉。
POF | 上海理工大学梁梓浩、朱兵等：使用大语言模型进行气泡湍流实验数据处理
本文提出结合大语言模型（Time - LLM）与Transformer模型的复合框架处理气泡两相流热膜测量信号干扰。先由Time - LLM识别气泡干扰信号，再用Transformer模型修复。实验证明该方法高效、轻量且物理自洽。
多模态长文本理解测评首发：46款模型无一攻克128K难关
香港科大等研究者联合提出MMLongBench，用于评估多模态模型长文本理解能力。它覆盖5大类型任务的16个数据集，对46个模型测试显示，闭源和开源模型在长上下文任务均面临挑战，OCR和跨模态检索能力是瓶颈。
0成本升级，快手OneSearch-V2全量上线，生成式搜索进入「懂你」时代
快手技术团队在 OneSearch 基础上推出 OneSearch-V2 框架，解决电商搜索复杂查询理解不足等问题。该系统全量上线，不增成本与时延，业务收益显著，还缓解信息茧房与长尾稀疏问题。
从0开始，在国内用上Claude Code的终极保姆教程来了。
作者应朋友要求，推出Claude Code小白教程。介绍其为优质Agent框架，适配多种模型，国内使用不封号。详细讲解Mac和Windows系统下的安装、接模型、启动步骤，还提及CLAUDE.md文件设置。