「自动化评估工具」共找到 2870 篇相关文章
多模态长文本理解测评首发：46款模型无一攻克128K难关
香港科大等研究者联合提出MMLongBench，用于评估多模态模型长文本理解能力。它覆盖5大类型任务的16个数据集，对46个模型测试显示，闭源和开源模型在长上下文任务均面临挑战，OCR和跨模态检索能力是瓶颈。
离开OpenAI和Google后，两位大模型核心负责人决定卷下一代架构
曾是OpenAI的「强化学习最大主义者」Jerry Tworek，与谷歌Gemini预训练负责人Rohan Anil，共同创办Core Automation。他们探讨当前AI路线问题，认为下一代架构要能持续学习，还计划打造自动化AI实验室。
Anthropic创始人行动手册：打造一家AI-Native创业公司（附36页中文PDF）
Anthropic上周发布《创始人行动手册》，介绍AI时代打造AI - Native创业公司的方法。手册按创业四阶段展开，阐述各阶段目标、挑战及Claude工具的使用，还给出资源、案例和创业支持信息。
一手奶瓶一手键盘！新手宝妈产假氛围编程，自研实用家庭App
新加坡宝妈Laura Zaccaria产假自研家庭餐食规划App。她无编程背景，靠Cursor等工具学习。AI迭代快，她意识到要跟上，产假成自我进化契机，提醒大家学习才能不被时代抛下。
直播预约 | 强化学习训练能否不依赖外部知识优化模型的弱点？
论文提出 SwS 框架，针对强化学习场景，利用模型自我感知弱点驱动自动化问题生成，合成针对性训练数据。还对其进行多项扩展，在多个基准测试集和模型上验证有效，性能提升显著。
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
斯坦福最新大模型医疗任务评测，构建含35个基准测试的MedHELM综合评估框架。结果显示，DeepSeek R1以66%胜率领先，o3 - mini等模型也各有表现，还分析了成本效益。
GPT6来了，我却怀念GPT3.5
作者看到群里说ChatGPT等AI工具无法使用，意识到人们已离不开AI。接着提到GPT6发布，其各项测评指标比上一代大幅提升。还探讨了GPT6到来后SEO、GEO的意义及未来研究方向。
Grok最新模型吃上Cursor「加餐」，马斯克：Coding实现巨大改进
马斯克在X上透露，xAI的Grok基础模型V9 - Medium（1.5T）完成训练，预计2 - 3周后发布，训练加入大量Cursor数据。同时，xAI的AI编程代理工具Grok Build进入早期Beta测试阶段。
Sebastian Raschka 2026预测：Transformer统治依旧，但扩散模型正悄然崛起
知名AI研究员Sebastian Raschka预测2026年，Transformer架构在未来至少一到几年仍占统治地位，但会在效率和混合上微调。同时，扩散语言模型虽有工具调用缺陷，但在数据稀缺时或成更好的学习者。
Gemini 3 编程第一断崖式领先，谷歌 AI Mode 直接装备 G3，反重力的 Antigravity 是啥？
今年 8 月发布的 GPT 5 未达成 AGI，Gemini 3 能力提升明显。谷歌将其塞进 Search 的 AI Mode，AI 普惠意义超能力升级。开发者方面，它是主力型号，编程能力跃升，还加强 Agent 能力并推出新工具 Antigravity。