「进化式评测系统」共找到 2747 篇相关文章
Anthropic长文：多智能体协作模式，五种方法及其适用场景
Anthropic官方长文总结5种多智能体协作模式及适用场景，指出何时用多智能体或单智能体更好，还分析各模式工作机制、适用场景、易翻车点，给出架构选择和新手操作建议。
智谱发布龙虾基座模型GLM-5-Turbo，还适配了一个养龙虾的盒子
智谱发布专为龙虾场景深度优化的基座模型GLM - 5 - Turbo，从底层训练重塑，增强四项核心能力。发布评测基准ZClawBench，模型表现领先。还推出龙虾套餐和安全管理体系，助力企业实现算力自由与安全管控。
红杉的投资哲学和秘密武器，a16z 投了个很有意思的 AI 学习产品
文章分享红杉投资哲学与秘密武器。决策重信念而非共识，管理赋能‘异类’人才，聚焦可控‘输入’，筛选要有勇气。还提到其‘人才佩奇排名’系统，此外介绍a16z投资的AI学习产品。
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。
规范对齐：回答前的深思，让安全与行为边界更清晰
OpenAI等厂商将规范融入大模型。上海交大等团队提出规范对齐概念，构建评测基准SpecBench，揭示主流模型不足。探索测试时深思方法，如Align3，能提升模型规范遵循度，项目已开源。
波士顿动力机器狗侧空翻炸场！穿轮滑鞋照样能翻
风头被中国机器人盖过的波士顿动力，让机器狗Spot完成侧空翻等动作。工程师称它并非为空翻设计。空翻是严苛测试手段，能验证系统性能，还透露了训练细节，此外它还将上《美国达人秀》。
GLM-5.2 正式发布：开源之王来了，摸到了Opus-4.8
GLM-5.2正式发布，主打长程任务能力，有1M token上下文窗口且完全开源。它在长程任务基准评测中表现出色，与顶级闭源模型差距缩小，还解决了超长上下文计算成本问题，同时应对了模型‘作弊’情况。
一站式 AI 短剧创作神器
Toonflow 是 HBAI-Ltd 开发并开源的一站式 AI 短剧创作工具，可将小说或剧本快速转化为动画短剧，集成多种功能，0 门槛全流程 AI 化，提升创作效率 10 倍+，支持多系统，兼顾易用性、扩展性和本地化部署需求。
这个免费的任务助手登顶 SuperCLUE-XClaw 榜单
近日，SuperCLUE - XClaw发布最新测评榜单，百度文心助手在十个参评的国产龙虾产品中夺冠，获97.62分。SuperCLUE是关注中文大模型评测的第三方体系，其榜单受业内关注。文心助手还是免费的。
3个工程师、0融资、不开会，估值3.5亿美元的Obsidian才是真正的「小而美」
Obsidian 作为全球最具影响力的本地化 Markdown 笔记应用之一，估值 3.5 亿美元，但仅 7 人全职团队。它拒绝资本，靠用户付费运营，有「无会议文化」，底层插件系统强大，和 Notion 信息管理哲学不同。