「AI测试集」共找到 11065 篇相关文章
大模型进入研发体系后，我们看到了这些变化
InfoQ《极客有约》X AICon 直播邀请同程、网易、百度工程师，探讨大模型入研发体系的变化。涉及提效、协作、角色分工等方面，还谈及工程师特质、效率焦虑、岗位数量等问题，6 月北京 AICon 大会将深入交流。
10% KV Cache实现无损数学推理！这个开源方法解决推理大模型「记忆过载」难题
推理大模型推理时易现冗余问题，R-KV开源方法登场，显存降90%、吞吐提6.6倍、准确率达100%。它通过实时对token排序解决冗余，还经多步骤压缩KV缓存，性能测试表现出色，适用多场景。
医学领域也有世界模型了：精准模拟肿瘤演化，还能规划治疗方案
来自多机构学者联合提出医学世界模型（MeWM），赋予AI“预演”疾病发展的能力。它能模拟肿瘤演化，为个性化治疗提供辅助，有肿瘤演变模拟、生存风险预知和临床决策闭环三大核心功能。
MCP很好，但它不是万灵药！真正的技术进步，往往始于祛魅之后的清醒认知
当下AI领域，MCP热度高涨，但它并非万能。文章剖析MCP本质，指出它是统一工具调用协议，与Function Call合作。同时分析其开发难题与市场乱局，强调要理性看待，明确其定位和边界，发挥潜力。
真实联网搜索Agent，7B媲美满血R1，华为盘古DeepDiver给出开域信息获取新解法
华为诺亚方舟实验室提出 Pangu DeepDiver 模型，实现 LLM 搜索引擎自主交互新范式。它用真实互联网数据训练，在 WebPuzzle 等基准测试中，7B 的 DeepDiver 媲美 671B DeepSeek - R1，展现强大信息获取与泛化能力。
推理“刹不住车”？新框架让DeepSeek-R1们告别过度思考，已开源
DeepSeek - R1等推理模型能力增强，但出现过度思考问题，如步骤繁冗、表述拖沓、输出冗长。浙大等团队提出Self - Braking Tuning（SBT）框架，能让模型适时终止推理，在多数据集测试中效果显著。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
被知乎文化所感染的第 1947 天
作者分享在知乎 1947 天的经历，受邀参加知乎第十一届新知青年大会。大会 AI 含量高，探讨多，如具身智能、模型发展方向等；社区味浓，形式多样氛围好；还对年轻人友好，鼓励表达畅想。
3 层人群定位 × 5 种赋能手段，企业全员数据能力提升指南 | 极客时间企业版
在AI重构商业规则的当下，数据能力是企业核心竞争力关键。极客时间针对企业数据人才培养痛点，打造全链条数据人才培养体系，分层赋能三类人员，提供多种培养方案和赋能手段助力企业升级。
6.5k星！轻量级多智能体对话编排框架Agent Squad
Agent Squad是轻量级多智能体对话编排框架，有6.5k星。它能管理多AI代理、处理复杂对话，具智能意图分类等特性。新SupervisorAgent可协调多专业代理，还有演示应用及多种使用示例。