「评估调试」共找到 777 篇相关文章
73%人类认同率！Video-Bench实现视频质量精准打分
上海交大等团队提出视频评估框架Video - Bench，让多模态大模型‘像人一样评判视频’。它构建双维度评估框架，引入链式查询和少样本评分技术，与人类判断73%高相关，为视频生成模型优化提供标尺。
揭秘大模型Steering：从底层机理到系统评估，全面破解大模型行为控制之谜
近期《Science》研究表明可解析AI内部表征实现通用引导与监控。浙大联合阿里两篇ACL 2026主会论文，揭示Steering工作原理与能力边界，还开源一站式框架EasyEdit2，全面展示了Steering价值。
Knowledge还是Reasoning？具体分析LLM答案正确，不代表思考过程靠谱的问题
斯坦福/加州大学团队指出大模型答案正确不代表思考过程靠谱，传统评估忽略思考路径问题。团队提出双维度评估框架，透视模型思考过程，还测试发现不同领域决胜关键、最佳训练法不同，且框架正解锁新场景。
AI体育教练来了！中国团队打造SportsGPT，完成从数值评估到专业指导的智能转身
现有智能体育系统多停于‘打分+可视化’，通用大模型处理体育生物力学分析有局限。中国团队提出SportsGPT框架，实现从‘动作评估’到‘训练处方’智能闭环，各模块优势明显，超越基线。
继微软Playwright之后，谷歌Chrome DevTools MCP也来了（网站开发，AI 自动调试控制台错误）
继微软Playwright后，谷歌推出Chrome DevTools MCP，可让AI代理用上Chrome DevTools，能查DOM/CSS、跑JS等。文中给出多种使用提示词示例，还提供了安装方法链接。
Cursor 2.0 来了！自研模型 Composer1，更禅的界面，多代理并行，Browser调试更强大
Cursor 2.0 发布，有诸多升级。它有自研编码模型 Composer1，速度快且适合 Agent 模式；界面更清爽禅意；支持多代理并行，能提升编码效率；浏览器可嵌入编辑器，沙盒终端在 macOS 正式发布等。
ICML 2026｜如何对Multi-Agent系统进行过程评估？重新认识多智能体系统中的Orchestrator
来自南京大学NLP实验室的ICML 2026论文指出，当前主流多智能体架构中，系统失败常源于负责全局调度的Orchestrator失去对任务的掌控。论文提出相关框架和方法对其进行分析与评估。
狂揽17.1K Star!!开源逆向工程神器，Rizin引擎驱动、跨平台调试反编译、图形化操作，爽翻了！
在信息安全等领域，传统逆向工具价格贵或操作复杂。开源君分享免费开源逆向工程神器Cutter，由Rizin框架驱动，有强大功能与现代化界面，在GitHub获17.1K Star。
大模型结构化推理优势难复制到垂直领域！最新法律AI评估标准来了，抱抱脸评测集趋势第一
多个机构研究人员联合发布全新多语言法律推理基准数据集LEXam，它含4886道题，每道长篇题有答案和推理路径。研究显示现有大模型应对法律推理难，LEXam引入评估新模式，还对不同模型做了测试。
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。