「协作评估」共找到 1190 篇相关文章
AI 落地实录：我们如何重构业务流程与组织协作
InfoQ《极客有约》X AICon 直播栏目邀网易蓝师师、腾讯张瀚元、国际头部 ERP 企业吴云，探讨 AI 重塑业务价值与提升效能。分享各行业 AI 提效实践、业务重塑案例，还讨论 AI 应用方向及落地挑战等。
告别“一眼定生死”：Agent-as-a-Judge 开启 AI 评估的下半场
过去两年，LLM-as-a-Judge成评估界“黄金标准”，但面对复杂任务力不从心。论文《A Survey on Agent-as-a-Judge》指出，应从单一的大模型裁判进化为具备行动能力的智能体裁判，还阐述了其优势、发展阶段等。
Anthropic发布多Agent协作模式指南：5种架构与适用场景
当单个AI Agent无法完成任务时，多Agent系统就派上了用场。Anthropic最新发布的指南给出了五种经过验证的模式，包括生成 - 验证模式、编排 - 子代理模式等，并介绍了适用场景和陷阱。
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。
生产级Prompt自动化推理评估A/B实验结果的工程实践
本文围绕生产级Prompt自动化推理评估A/B实验结果展开，介绍系统背景与痛点，展示主Prompt和决策树，用deepseek - r1等模型推理。通过分析Bad Cases优化Prompt，总结设计原则和迭代方法，还给出通用启示与展望。
科研虾LabClaw接管实验室！斯坦福和普林斯顿重新定义人机协作边界
斯坦福和普林斯顿团队构建完整AI生态，LabClaw有206个科研技能，可部署为实验室代理；LabOS结合计算与实验，能自我进化；MedOS模仿人类认知用于临床。三者协同重新定义人机协作边界。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
微信测试中心刷新业界标准，斩获 ICCV 图像质量评估挑战赛冠军
微信测试中心IH-VQA团队在ICCV 2025 MIPI赛事夺冠，其首创的iDetex方案刷新业界标准。该方案能精准定位图像失真，提升评估可解释性，已在微信多业务落地，未来将深耕多模态质量评价等领域。
大模型刷数学题竟有害？CMU评估20+模型指出训练陷阱
CMU团队评估20多个大模型，发现只有强化学习（RL）训练的模型能将数学推理技能广泛迁移到其他任务，监督微调（SFT）训练的模型迁移有限甚至无迁移。研究还探索差异原因，表明RL微调更具优势。
LLM长文本内卷，谁是真英雄？告别跑分玄学，我们需要一把“公道秤”
OpenNLG Group做了统一长上下文评估框架LOOM - Scope，兼容主流benchmark、model和长上下文加速方法。该框架围绕BENCHMARK、DEPLOYMENT和EVALUATOR三大核心模块，还提出LOOM - Bench应对评估成本制约。