「端到端评测」共找到 3009 篇相关文章
鹏城实验室 X 中大hcp实验室推出 RADAR : 具身智能评测的新标杆
RADAR是鹏城实验室与中大hcp实验室为具身智能领域设计的评测基准，解决现有评测体系三大缺陷，通过创新设计揭示模型不足，为研究者提供方向，推动具身智能实用化。
CVPR 2025 Highlight｜北大联手智元发布首个基于说明书的家电操作评测基准
北大联合智元团队提出全新家电操作评测基准 CheckManual，被 CVPR 2025 接收并评为 Highlight。它有拟真说明书与多样资产、契合实际的评测任务、首个操作规划模型 ManualPlan 等优势，还做了相关实验。
从Rax+DX到React，一次跨端组件重写的AI提效探索
本文基于M站首页重构项目，讲述借助AI编程工具Cursor和结构化Prompt，完成从Rax到React的组件迁移、DX到React的跨端重写，实现业务逻辑优化与工程规范落地，还分析了AI提效的优劣并总结迁移范式。
一键将 Markdown 和网页 AI 对话完美粘贴到 Word、WPS 和 Excel 的效率工具
PasteMD是常驻托盘的小工具，能从剪贴板读取Markdown，调用Pandoc转换为DOCX插入到Word/WPS光标位置。还有新功能，如智能识别Markdown表格粘贴到Excel等，介绍了使用、配置等内容。
GPT-5.2首发评测：大神深度体验两周，强到离谱，但慢得抓狂
为对抗谷歌的Gemini 3，OpenAI推出GPT - 5.2。大神Matt Shumer深度评测，指出其指令遵循、代码生成、视觉和长上下文等能力有提升，但速度慢。与Claude Opus 4.5、Gemini 3 Pro各有分工。
Harness Engineering实践，做了一个平台让AI一晚上自动评测和优化你的系统
作者分享搭建小平台实现全自动化评测与系统优化的实践，包括创建评测任务、集、报告等，通过钉钉文档、绘报等案例展示操作，还能自动优化系统，不过需系统UI规范、AI Coding含量高。
AI 真能看懂物理世界吗？FysicsWorld：填补全模态交互与物理感知评测的空白
多模态大语言模型正经历范式转变，目标是实现全模态协同交互。但现有评测体系难跟上模型发展。飞捷科思和复旦团队推出 FysicsWorld 基准，可评测模型多能力，还提出 CMCS 策略，为全模态智能发展提供指引。
AI 会笑吗？BIGAI & 上交大团队：多模态大模型是否真的能 get 到视频笑点｜ACL 2026
上海交通大学等团队构建v-HUB评测基准，分析多模态大模型视频幽默理解能力。评测7个前沿模型发现，模型依赖文字、主动发现笑点能力弱，声音作用有限，还需考虑隐形线索。
NeurIPS 2026｜克隆得像，就够了吗？RVCBench系统评测18个语音克隆模型的真实世界鲁棒性
本文介绍被NeurIPS 2026接收的研究工作，英属哥伦比亚大学与Vector Institute团队提出RVCBench，沿语音克隆全流程拆分四个维度鲁棒性，系统评测18个代表性开源模型，且开源了可pip安装的通用评测工具包，助力语音克隆鲁棒性与安全研究。
网站GEO技术端优化指南：案例+工具+免费检查清单【转推】
文章指出当前处于传统搜索到AI搜索转型期，Google仍是主流。介绍Google和ChatGPT流程差异，给出抓取、索引、曝光优化建议，还列了该做与不该做之事，并有免费检查清单。