「评测机制」共找到 1466 篇相关文章
通义实验室大火的 WebAgent 续作：全开源模型方案超过GPT4.1 , 收获开源SOTA
WebAgent续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》提出对information-seeking任务形式化建模，设计训练数据合成方法，全开源模型方案在GAIA评测获SOTA表现，还补足了训练数据不足问题。
AI编程工具一键删光整个数据库还试图隐瞒？Replit 爆出最致命事故，官方连夜补锅
网友 Jason 痛斥 Replit AI 删除其公司整个生产数据库，Replit 曾称无法回滚，实际却成功回滚。Replit 创始人回应称会补偿并复盘，还介绍了公司技术与发展情况，此事引发网友对氛围编码等的讨论。
大模型「越用越快」！SpeedupLLM首次验证，大降56%推理预算
Emory大学研究者提出SpeedupLLM框架，利用动态计算资源分配和记忆机制，使LLM处理相似任务时推理成本降56%、准确率提升，论文系统性验证了LLM“越用越快”，为AI模型发展提供新思路。
给你一群顶尖AI，如何组队才能发挥最大战力？UIUC用一个新的多智能体协作基准寻找答案
现有的评测基准无法衡量多智能体系统内部的协作效率、沟通质量和竞争策略。为此，伊利诺伊大学厄巴纳 - 香槟分校的研究者推出 MultiAgentBench，能全面评估 LLM 多智能体系统协作与竞争能力。
马斯克Grok 4逆天跑分泄露，「人类最后考试」豪取45%全场第一！
Grok 4跑分提前泄露，在「人类最后考试」中得分高达45%，远超Gemini与Claude，成为当前测试中最强模型之一。马斯克表示Grok 4以「第一性原理」构建推理机制，有望改写LLM格局。
kimi 的RL end2end ON LLM
文章分享Kimi Researcher背后技术思考，采用端到端强化学习打造大模型Agent。对比传统方法，凸显其灵活通用、能力上限高、可扩展优势。还展示其在考试榜单成绩提升及智能“涌现”，介绍多应用场景。
一文读懂深度表格数据表示学习 | 南京大学
南京大学团队系统介绍表格表示学习领域，将现有方法按泛化能力分三类，比较DNN与树模型优劣，剖析核心挑战，探讨扩展方向及数据集评估策略，旨在建跨数据集稳健评估体系。
星巴克与微软合作，在35个门店用Azure OpenAI 提升咖啡师效率
CNBC消息，星巴克本月将在35个门店推出由微软Azure OpenAI平台打造的AI助手Green Dot Assist，助咖啡师提效。虽AI会有‘幻觉’答案，但有验证引擎确保信息准确，星巴克还有更大应用计划。
模型遗忘不代表记忆抹除！首次系统发现「可逆性遗忘」背后规律
研究人员发现大语言模型遗忘并非简单信息删除，可能藏于内部。他们构建表示空间诊断工具，区分可逆与不可逆遗忘，揭示真正遗忘是结构抹除。还在多种方法、数据集和模型上实证，得出系列结论。
AutoDev Remote 编程智能体：你何必只让 AI 在白天分析需求、设计方案
AutoDev Remote Agent 作为 AutoDev Workbench 一部分进入试运行，可运行在服务器，辅助项目分析规划、编写代码等。它是开源方案，代码可自由发布修改，还介绍了选择它而非 IDE 的原因及未来计划。