「LLM评估」共找到 1596 篇相关文章
大模型“精细化”对齐，真实性提升25.8%刷新SOTA！token级精准编辑，无需训练即插即用
北航团队在EMNLP 2025提出Token - Aware Editing (TAE)方法，从token层面解决传统表征编辑技术问题，无需训练、即插即用，在多个对齐维度显著提升，如在TruthfulQA任务上真实性指标提升25.8%。
Embodied Arena：业界首个统一具身大脑评测平台重磅发布，30+模型全面对比揭示关键洞察
具身智能火热，研究者常感茫然。Embodied Arena评测平台上线，它全面统一且持续演进，涵盖22+基准测试和30+模型，构建评估体系，揭示关键洞察，为具身模型发展指引方向。
科研智能体「漫游指南」—助你构建领域专属科研智能体
该综述提供科研智能体构建指南，提出三级分级系统，阐述构建流程与能力增强方法，涵盖知识组织、注入、工具集成，还提及基准评估和未来研究方向，促进AI与自然科学融合。
Physical Intelligence 核心技术团队分享：物理世界的“Vibe Coding”如何实现？
Physical Intelligence 核心技术团队解读机器人技术路径，分享前沿探索。介绍 VLA 与 VLM、LLM 关系，还提及 PI 构建数据管线、提出“知识绝缘”机制，分析开放世界部署难题，展望未来“机器人模型即服务”。
9K Star 开源工作流爆火！超轻量直观的AI Agent 工作流构建器！
在AI应用开发领域，将大语言模型与业务逻辑和外部工具结合是重点。GitHub上获9K Star的Sim项目是AI Agent工作流构建器，提供Figma式拖拽界面，无需手写代码，降低配置、调用和部署门槛。
滴滴出行MCP：全面解读滴滴MCP Server 的第一公里与最后一公里！
2025年8月1日，滴滴发布MCP Server v1.0.0，将运力能力抽象成JSON - RPC 2.0接口。开发人员四步即可嵌入完整闭环服务。MCP把运力‘云化’，还介绍了技术细节、安装使用、典型场景及开放限制。
不靠海量数据，如何精准喂养大模型？上交Data Whisperer：免训练数据选择法，10%数据逼近全量效果
上海交通大学等团队提出 Data Whisperer，首个免训练的注意力驱动数据选择框架。它利用模型自身能力打分挑数据，无需训练与人工标注，用 10% 数据让微调效果逼近全量数据，在多方面领先传统方法。
ChatGPT长了手脚，AI不再是副驾，直接抢过方向盘
OpenAI昨夜发布ChatGPT智能体，它整合网站交互、信息整合、对话交互三项能力，能智能选最优路径完成任务。在多项评估中表现领先，还有多重安全措施。今日向部分用户开放。
打破传统游戏逻辑！Google | 提出Concordia ，通过Mutil-Agent构建游戏引擎！
Google DeepMind和多伦多大学研究人员提出Concordia软件库，用AI驱动智能体担任GM，基于「实体 - 组件」架构，让工程师和设计师分工，可灵活构建复杂游戏场景，还支持不同交互动态和多种使用动机。
集成20+先进算法，优于GPT-4o，自主因果分析智能体来了
加利福尼亚大学圣迭戈分校研究团队提出自主因果分析智能体 Causal - Copilot，集成超 20 种算法。它解决因果分析使用门槛高、预训练模型有局限等问题，性能优于 GPT - 4o ，已开源邀全球研究者参与。