「自我评估」共找到 1049 篇相关文章
面对无解问题大模型竟会崩溃？港中文&华为联合提出首个大模型推理可靠性评估基准
港中文和华为诺亚实验室联合提出ReliableMath基准，探究大模型推理可靠性。提出评估准则，构建含可解与不可解问题的ReliableMath数据集，实验揭示大模型缺陷，还提出提高可靠性的对齐策略。
多模态大模型不会画辅助线？最新评估得分：o3仅25.8%，远低于人类82.3% | 清华腾讯斯坦福联合
清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。
刚刚，百度抛出“王炸”：全球首个可商用自我演化智能体！李彦宏：技术迭代速度是唯一护城河
在百度世界大会上，李彦宏指出产业结构不均衡问题，介绍AI产业从‘正金字塔’向‘倒金字塔’转变。百度展示内化AI能力成果，如发布数字人、重构搜索、更新秒哒等，还推出昆仑芯、文心大模型5.0和全球首个可商用自我演化智能体百度伐谋。
红杉中国xbench全球首发，AI智能体真实战力揭榜！
红杉中国推出全新AI基准测试工具xbench及相关论文，采用双轨评估体系和长青评估机制，首期发布两个核心评估集并综合排名，还提出垂类评测方法论。它能追踪模型能力与实际场景价值，解决现有评估难题。
微软开源Skill训练框架，让Agent白天干活，晚上自动复盘，Skill的自进化终于可监控了
微软开源SkillOpt v0.2.0，加入SkillOpt - Sleep让Agent可自我复盘。该文本空间优化框架能自动训练和优化skill，有透明化、质量控制等特点，适合重复、可评估任务场景。
陶哲轩回应OpenAI宣称内部实验模型获得IMO金牌：不予置评「测试方法不公开就是“作弊”？」
OpenAI宣称内部实验模型获IMO2025金牌，陶哲轩呼吁对AI竞赛表现保持审慎。他强调评估AI不能只看结果，测试方法很重要，对未公开测试方法的自我报告成绩不予置评。
每条聊天记录都要秘密过审！Anthropic自曝新动作，Claude已开始全天候暗中监视用户
Anthropic 公布了生产环境中的自我审查机制：Claude 在回答后会利用缓存静默评估该对话是否违规，仅增加不到 2% 的计算量，对高优先级严重违规抓取率达 94%。
谷歌提出破局Self-Consistency计算瓶颈！LLM推理效率革命，推理加速不牺牲精度
Google Research等团队提出CISC，通过给推理路径赋予置信度权重，少量样本即可超越传统自洽性效果，平均减少40%计算成本，还提出WQD指标揭示模型自评估能力本质。
姚顺雨提到的「AI下半场」，产品评估仍被误解
OpenAI研究员姚顺雨提出「AI下半场」重点转向定义问题，评估重要性超训练。亚马逊Eugene Yan发文补充，指出产品评估常被误解，应运用科学方法，践行评估驱动开发，自动化工具也需人工监督。
这篇超有用！手把手教你搭建 AI 产品 Evals
文章指出AI下半场模型评估比训练更重要，做好Evals是当下AI产品开发刚需。介绍了Evals重要性、三种方法、通用评估标准等，还教你从零构建Evals及设计注意事项，助你快速上手评估。