「评测体系」共找到 1211 篇相关文章
苹果LensVLM：长上下文压缩成图片，模型边看边「放大」
本文介绍苹果基础大模型团队与杜克大学联合提出的LensVLM方案，针对长上下文压缩易丢失关键信息的痛点，提出将长文本压缩为图像、模型按需展开细节阅读的新思路，相关研究已被NeurIPS 2026接收，公开了模型、代码与可体验Demo。
从 Harness 到 Loop：真正决定 Agent 落地的，从来不是更强的模型
本文邀请蚂蚁、腾讯、京东的多位技术专家，围绕Agent落地生产环境展开讨论，提出当模型能力逐渐商品化后，真正的竞争壁垒已经转移到模型之外的工程系统，核心是从Harness到Loop的理念转变。
我给阶跃星辰 Step 5 Preview 出了一道工程题
本文作者池建强参与阶跃星辰新一代旗舰大模型Step 5 Preview小范围内测，设置带两层bug和隐藏需求的编码工程题，与Qwen 3.8 Max、Kimi K3对比测试，分享实际项目使用体验，给出客观评测。
完全相信 AI 代码的 Uncle Bob，坦诚这条路还没走通
在AI代码普及当下，Uncle Bob放弃人工评审代码，搭建管控框架引争议，Grady Booch反对，认为AI无法替代资深工程师。Uncle Bob设强约束体系，虽有成效但自动化架构规划未达理想，还给出开发建议。
把 Gemini 和 GPT 放到《我的世界》当教练，谁能看懂机器人的微操？
国立清华与英伟达团队研究《VLM-AR3L》，把Gemini 2.0、GPT-4.1等拉进考场，评估视觉裁决能力。结果显示Gemini综合最稳，开源小模型特定场景反超。还提出VLM-AR3L框架破使用瓶颈，实战超人类手写奖励。
刚刚，Anthropic开源Claude挑战黎曼猜想的4篇论文
Anthropic开源未公开版本Claude挑战黎曼猜想的4篇论文。Claude虽未证出猜想，但将零点在临界线上的比例下界从41.6%推到67.2%。整个过程由多智能体自主完成，还建立严格验证体系。
从“会用”到“驾驭”：AI Coding 进入生产环境的真实碰撞
InfoQ《极客有约》X AICon 直播栏目，邀网易游戏林香鑫等探讨 Coding Agent 重构软件工程环节。嘉宾分享了 AI Coding 在生产环境的变化、MCP 等概念作用、代码质量保障、Agent 权限及 AI 原生研发体系建设等观点。
“客户测950，不到一周下单了”，DeepSeek V4 逼出昇腾真功夫
昇腾计算业务副总裁张良透露昇腾近期销量好、认可度提高，大量客户基于其做训练。DeepSeek V4 考验昇腾，其超节点产品均支持。昇腾还对芯片体系和软件栈升级，拒绝仿 CUDA，坚持自主构建生态。
人多不管用！智能体团队别盲目扩张，最新综述给出三大维度
随着大语言模型驱动的多智能体系统快速发展，核心问题是有些系统规模扩大后会失稳、低效。美国、英国和澳大利亚研究人员提出三维分类框架描述大规模智能体网络，指出真正决定系统表现的是三种机制组合。
在AI彻底接管科研之前，我们和三位人类科研工作者聊了聊
在AI重塑科研各环节的当下，DeepTalk邀请三位研究者探讨相关问题，包括AI科学家能力边界、论文价值变迁等。如朱熹指出AI目前知识多为先验，刘昊琨认为其缺‘科研品味’，还交流了论文传播、评审等看法。