「基准数据集」共找到 3260 篇相关文章
The Batch：836 | 基准测试成本攀升
独立AI测试实验室披露评估推理模型成本上升。这些模型生成“思维链”提升输出质量，但计算需求增加，成本上升使资源有限组织难复现结果，且新模型定价、按需分配推理token也让成本更复杂。
AI产业链投资大逻辑：第六集
本集聚焦AI产业链应用层悖论。应用层离用户近、故事性感，但现阶段易让投资者犯错。虽有诸多火热产品且公司估值高，但‘创造价值’与投资者‘以好价格买价值’并非一回事。
谷歌开源非结构化数据抽取工具
谷歌开源 Python 库 LangExtract，用 LLM 从非结构化文本文档提取结构化信息。它定位精确、输出可靠，针对长文档优化，有交互式可视化，支持多模型，适应多领域，还给出快速开始示例。
云栖重磅合集 | 吴泳铭：超级人工智能之路
2025云栖大会上，阿里巴巴集团CEO吴泳铭认为实现AGI是确定事件，终极目标是超级人工智能ASI。他介绍了通往ASI的三阶段，还判断大模型是下一代操作系统，超级AI云是下一代计算机。阿里云也升级全栈AI体系，通义大模型7连发。
Show me《指环王》！卡帕西强推大模型评测新基准
大神卡帕西宣称Anthropic用《指环王》给大模型评测上强度，这一‘指环王基准’正接替‘鹈鹕骑自行车’SVG测试。虽Opus 5生成的画面粗糙，但网友测试展现出丰富创意，不过新测试也引发争议。
AI重新打开了创业窗口期？数据告诉你真相
移动互联网红利结束后创业圈寒冬漫长，2025 年起 AI 创业融资回暖，但资金集中于头部公司。AI 使创业成本断崖式下降，一人公司兴起，不过 AI 创业失败率仍高。真正的创业窗口期属于有行业认知、能差异化定位且善用 AI 的人。
AI 智能体实践评估：基准、框架与经验总结
文章为将 AI 智能体从原型落地到生产环境的团队提供实用评估框架。指出传统评估不适用于智能体，介绍评估工具，阐述五大评估支柱，还给出基于 Claude 和 LangChain 的评估示例及实践经验。
Common调查数据，72%美国青少年使用过AI伴侣
美国非营利组织Common Sense Media研究显示，72%美国青少年至少试过一次AI伴侣，52%为定期用户。研究还考察了使用行为、原因、感受等，如近半视其为工具，50%不信任其信息。
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
模型、代码、数据全开源！轻松训练自己的垂类Agent！
Together AI联合Agentica推出`DeepSWE-Preview`，基于开源Qwen模型，用RL在SWE - Bench - Verified登顶。团队将模型权重、训练框架等全开源，抛弃SFT纯用RL训练，还分享训练秘籍和TTS技巧，为垂类Agent训练提供新范本。