「推理质量评估」共找到 3124 篇相关文章
金融版 Claude Code
Dexter 是自主运行的金融研究智能体，类似金融版 Claude Code。能处理复杂金融问题，有智能任务规划等核心能力。文章介绍其先决条件、安装、运行、评估、调试方法及项目地址。
The Batch: 894 | 面向生物医学的多模态模型
过去几年联合推理模型进展快，但生物医学领域能力碎片化、脆弱或难解释。2026 年，学术界应推进多模态模型建设，关注深度整合、可解释性、数据效率和适应性及模型在工作流中的整合。
5.8k Star 基于LangGraph的Multi-Agents炒股框架，7种Agent形成金融交易闭环
TradingAgents是模拟真实交易公司运作的多智能体交易框架，用LangGraph构建，有灵活性与模块化特点。由7种LLM驱动的专业智能体协同评估市场、制定决策，还介绍了架构和实战操作。
编程 Agent 可能是软件开发史上最昂贵的错误之一
George Hotz 试用多种 AI 编程 Agent 后，在博客称大规模采用将以灾难告终，认为 Agent 不是程序员，生成代码质量差。此外，OpenClaw 工程师、Uber 高管等也对 AI 编程提出担忧。
突发！NeurIPS拒收这类论文，AI学者集体破防
NeurIPS 2026新规拒收受制裁机构论文，引发中国AI学术圈震动，该规则指向OFAC制裁名单。同时，ICML 2026审稿口碑崩盘，评审意见放出后OpenReview宕机，审稿质量遭大量吐槽。
从需求分析到代码生成，LLM都能干点啥？一文读懂291个软工Benchmark！
大语言模型重塑软件工程各环节，但缺乏评估其在该领域表现的系统工具。浙江大学等机构团队首次对291个软件工程Benchmark系统综述，分析现状、痛点并给出改进方向。
AI失忆术！只需3个注意力头，就能让大模型忘记「狗会叫」
Meta和纽约大学团队发布论文《From Concepts to Components》，提出SAMD和SAMI方法。前者定位模型概念注意力模块，后者微调强度。能让模型‘失忆’，还可增强推理、控制安全，为AI研究开新方向。
两周 3 万行代码！我们的 7 个 AI “粪堆求生” 最佳编程实践
作者分享开发 AutoDev Workbench 时用 AI 辅助编程的 7 个实践，包括用 DeepResearch 脑暴需求、多工具构建 UI 原型等，还指出要提升 AI 交互效率和代码质量，形成成熟开发方法论。
OmniInsert：全新无掩码视频插入技术
基于扩散模型的视频插入技术发展快，但以往方法有局限。字节提出InsertPipe和OmniInsert，解决数据不足等难题。OmniInsert设计巧妙，还建立评测平台InsertBench，虽有小问题，但推理快，可加速优化。
AI 如何讲好一个多人故事？首个支持多角色互动的3D场景叙事系统
首尔国立大学提出全新框架，能生成虚拟动态场景并支持多角色上下文动作生成。引入LLM拆解复杂任务，系统用事件驱动方式规划动作，还构建基准评估相关能力，有良好扩展性和实用性。