「双轨评估体系」共找到 1250 篇相关文章
理解规范驱动开发：Kiro、spec-kit和Tessl
作者尝试理解规范驱动开发（SDD），查看了 Kiro、spec - kit 和 Tessl 三个自称 SDD 的工具。介绍了 SDD 定义、规范含义，分析评估工具的挑战，还指出工具存在不适合多数编程问题、审查体验差等问题。
大模型在具身推理上「翻车」了？4496 道题全面揭示短板
美国东北大学等提出BEAR基准评估MLLM具身智能子能力，用4496道题测试20个模型。发现多模态大模型具身能力不足，还分析错因，开发BEAR - Agent提升模型具身推理能力，在仿真测试中效果显著。
VaseVQA：考古领域实现专家级，诊断+补弱RL框架
在文化遗产与人工智能交叉领域，研究人员提出把大型多模态模型放于‘诊断—补弱—精细化评估’闭环训练，配套结构化评测基准，让模型在文化遗产领域接近专家级能力。介绍了技术步骤、数据基准及关键发现等。
产品经理也能“开发”需求？淘宝信息流从需求到上线的AI端到端实践
淘宝推荐信息流业务被“需求多、技术栈杂、协作慢”困扰，上线周期长。WaterFlow这一AI驱动的端到端开发实践，让部分需求两天内上线，产品经理也能参与。文章揭秘其落地及协作模式改变，还展示了实践效果。
T2R-Bench发布：业内首个由表格生成报告工业基准
为解决大语言模型将表格信息转化为报告的难题，研究团队提出“表格到报告”任务，构建双语基准T2R - bench，其涵盖多垂域表格，还设计评价指标体系，实验显示大模型在该基准上提升空间大。
CEO 上阵写代码，公司从被传濒临倒闭到千亿估值，最大功臣是Claude？
Airtable创始人兼CEO Howie Liu分享公司发展。Airtable曾被传濒临倒闭，后年收入达数亿美元。他亲自参与编程，围绕AI重组公司，还介绍推动团队用AI、岗位转型及公司转型AI的策略，强调打破角色壁垒。
用“因果规划”解决多智能体协作中的任务依赖难题｜港科广&腾讯
港科广和腾讯研究团队提出CausalMACE方法，将因果推理机制引入开放世界多智能体系统。该方法含全局因果任务图，框架分“判断”“规划”“执行”环节，在基准任务中表现出色，已中稿EMNLP 2025 Findings。
CEO 上阵写代码，公司从被传濒临倒闭到千亿估值，最大功臣是Claude？
Airtable是先进无代码应用平台，曾被传濒临倒闭，如今估值达千亿。CEO Howie Liu分享围绕AI重组公司、亲自编程让公司实现正现金流的心路，还探讨推动团队用AI、岗位受影响情况及公司转型策略等。
拥有Github 的微软终于出手，发布一键生成全栈应用的GitHub Spark！
微软发布GitHub Spark，能以自然语言生成全栈应用并一键部署，默认用Claude Sonnet 4。它遵循微应用理念，有强大功能体系，深度集成GitHub。开发者看法不一，目前向Copilot Pro+用户开放，或改变市场格局。
无需验证器的RL：RLPR解锁LLM通用推理潜能
现有依赖强化学习与可验证奖励（RLVR）提升大语言模型（LLM）推理能力的方法，受限于领域特定验证器。本文提出RLPR框架，利用LLM生成正确答案的固有概率作奖励信号，实现无需外部验证器的通用领域强化学习，效果显著。