「评估基准」共找到 1426 篇相关文章
让GPU不再摸鱼！清华蚂蚁联合开源首个全异步RL，一夜击穿14B SOTA
清华与蚂蚁联合开源AReaL - boba²，实现全异步强化学习训练系统，解耦模型生成与训练流程，大幅提升GPU利用率。14B模型在多个代码基准测试达SOTA，性能接近235B模型。
吴恩达对谈LangChain创始人：企业构建Agen系统的核心认知！
吴恩达与LangChain联合创始人Harrison Chase深度对话，点明构建Agent系统关键要点，如关注系统‘Agentic’、解决构建核心挑战、模块化构建等，还提及被低估领域、MCP问题及AI创业制胜之道。
Artificial Analysis：DeepSeek成为世界前二AGI实验室
模型与API独立分析公司Artificial Analysis对DeepSeek R1-0528评估显示，其一举超越xAI、Meta等，与谷歌并列全球第二大人工智能实验室，在多方面性能提升，缩小了开源与闭源模型差距。
扩散语言模型九倍推理加速！上海交大：KV Cache并非自回归模型的专属技巧
上海交通大学EPIC Lab团队提出免训练推理缓存机制dLLM - Cache，复用特征降低计算量。它即插即用，通用于主流dLLM架构，在多个基准测试中实现数倍推理加速，且不降低生成质量。
AI编码新神登基，藏师傅一手Claude 4实测
Claude 4低调发布，Anthropic称Claude Opus 4是全球最佳编码模型。发布内容含扩展思维、新模型能力等，还公布定价。Claude Opus 4编码和记忆能力强，实测表现出色，Claude Sonnet 4也有提升且免费。
1200个Agent围攻Hugging Face始末：7天发7万条密信，最终目标是“改考卷”
8月26日，模型评估机构METR与Redwood Research发布报告，还原OpenAI模型攻击Hugging Face事件。约1200个Agent发现非授权通信渠道，7天内交换超7万条消息，约700个参与攻击，目标是找测试相关信息。
David Baker、宋乐等联手创办GenBio AI: 虚拟细胞只是开始，数字有机体才是终局
GenBio AI 在《Nature Medicine》发文，提出构建能模拟生命运行的“数字有机体”（AIDO），还阐述构建路线及应用设想。该公司团队强大，目前已进入 AIDO 构建第二阶段，但面临评估、可解释性等难题。
告别 LEB128 的规范性陷阱，Bijou64 用结构设计解决安全问题
研究实验室Ink & Switch发布bijou64可变长度整数编码格式，由Brooklyn Zelenka开发。它消除规范性漏洞，在基准测试中超标准标量LEB128解码器。Hacker News社区对其有权衡讨论，实现已用Rust发布。
搜索智能体也需要「操作系统」：SearchOS 开源多智能体协作框架
人大和蚂蚁的 SearchOS 研究，给出搜索智能体在长程任务中问题的答案。它借鉴数据库理念，做了多项核心设计，在开放信息检索基准评测领先，已提供多种使用方式，值得长程调研尝试。
HyperEyes：从「搜得更深」到「搜得更宽」，并行多模态搜索智能体的效率革命
小红书研究团队提出 HyperEyes 模型，打破现有多模态搜索智能体串行处理模式困局。通过全栈设计实现并行多模态搜索范式跃迁，在多基准测试中表现优异，证明准确率与效率可协同进化。