「实验评测」共找到 1864 篇相关文章
Tilelang-1: Introduction
文章围绕TileLang展开，指出高层框架抽象层次高，难以满足算法创新和精细控制需求。TileLang将数据流与调度解耦，在易用性和性能间取得平衡。通过实例展示其语法和编译流程，实验表明它在多任务上超越现有方法。
同一天，百度、OpenAI双双发力高智能AI！先来实测一波原生全模态文心5.0
2025年，OpenAI凌晨更新GPT - 5系列，百度在世界大会发布文心5.0。它采用原生全模态统一建模技术，参数达2.4万亿，评测领先。实测表现佳，其技术在多方面突破，为大模型演进提供路径，助百度重回竞争中心。
Self-Forcing++：让自回归视频生成模型突破 4 分钟时长极限
加州大学洛杉矶分校与字节Seed等团队联合完成Self-Forcing++，让自回归视频生成模型突破4分钟时长极限。它解决传统模型架构缺陷，经三步技术实现稳定超长视频生成，实验超基线，但仍有长时记忆缺失等问题。
大模型推理也能“智能调度”：让奖励模型按需分配算力的动态路由机制 | ACL 2026
生成式奖励模型（GRM）推理策略存在算力浪费问题。腾讯混元与新南威尔士大学联合提出 E - GRM 框架，将模型不确定性定义为调度信号，按需推理。文章从多维度解读该框架，并展示实验评估结果。
用最简单的大模型技术打造一个迁云专家有多难？
文章探讨在云迁移领域用大模型技术“复制”专家80%核心能力。分析标准化方案不足及简单RAG局限，介绍“LX0.1”AI专家助手构建，还提及分层评测、人机协同等优化，最后展望AI在云迁移的未来方向。
GLM-5真够顶的：超24小时自己跑代码，700次工具调用、800次切上下文！
GLM - 5正式发布，把开源AI带入长任务时代。它超24小时自己跑代码，完成GBA模拟器，能力稳定。评测结果佳，在主流测试中编程能力与Claude Opus 4.5对齐，引发网友欢呼。实测还展现多种应用能力。
DeepSeekV3.2技术报告还是老外看得细
ChatGPT三岁生日时，DeepSeek两款开源模型DeepSeek-V3.2和DeepSeek-V3.2-Speciale引发热议。它们在智能体评测中表现出色，缩小了开源与闭源模型差距，还降低了成本，给硅谷闭源AI公司带来压力。
刚刚，Thinking Machines Lab首次发长文，揭开LLM推理不确定性真相
Thinking Machines Lab发长文《克服LLM推理中的不确定性》，指出大语言模型推理不确定性的真正元凶是缺乏批次不变性，还解释核函数计算中数字加法顺序问题，介绍使核具有批次不变性的方法并给出实验结果。
LLM 驱动的 AI Agent通信：协议、安全风险与防御对策
论文围绕智能体通信的协议、安全风险及防御对策展开探讨。介绍兴起与重要性、定义分类、解析多种协议，分析不同交互的安全风险，提出防御对策，还以MCP和A2A为例做攻击实验，给出未来研究方向。
Anthropic让AI先读员工手册再上岗：失控率从54%降到7%
Anthropic最新研究「模型规范中期训练」（MSM）显示，相同训练数据配不同行事原则，模型表现不同。MSM在预训练和对齐微调间加中间阶段，让模型读规范文档理解准则，在特定实验中，将Agent失控率从54%降到7%。