「同质化评估」共找到 1444 篇相关文章
多模态大模型不会画辅助线？最新评估得分：o3仅25.8%，远低于人类82.3% | 清华腾讯斯坦福联合
清华、腾讯、斯坦福等团队发布RBench - V基准测试，评估大模型视觉推理能力。结果显示，主流大模型如o3、Gemini2.5等准确率远低于人类，开源模型表现更差，暴露出大模型在复杂多模态推理任务中能力不足。
红杉中国xbench全球首发，AI智能体真实战力揭榜！
红杉中国推出全新AI基准测试工具xbench及相关论文，采用双轨评估体系和长青评估机制，首期发布两个核心评估集并综合排名，还提出垂类评测方法论。它能追踪模型能力与实际场景价值，解决现有评估难题。
windsurf分享了他们对构建Agent应用的认知。
windsurf发表博客讨论Agent，指出构建Agent应用存在认知误区，分享灵魂四问分析框架评估其‘含金量’，还提到苦涩教训，提醒警惕过度设计，拥抱规模化、通用化方法。
微软开源Skill训练框架，让Agent白天干活，晚上自动复盘，Skill的自进化终于可监控了
微软开源SkillOpt v0.2.0，加入SkillOpt - Sleep让Agent可自我复盘。该文本空间优化框架能自动训练和优化skill，有透明化、质量控制等特点，适合重复、可评估任务场景。
7篇顶会NeurIPS 2025最佳论文都说了什么？
NeurIPS 2025七篇获奖论文揭示大模型思维同质化、推理能力虚幻边界等隐忧，也在注意力机制、神经扩展定律等方面取得物理学层面突破，为AI建立更严谨科学地基。
市场那么大，国产射频为何要内卷？
国产射频行业内卷严重，几乎无盈利企业，全球市场份额低。问题出在同质化厂商多、高估国内市场、缺国际视野人才、少耐心资本、专利壁垒及螃蟹效应等方面，还需有序竞争破局。
AI 太烧钱！微软选择「倒戈」DeepSeek
微软宣布Copilot Cowork全球上线并引入按使用量计费机制，还评估引入DeepSeek V4。Agent普及使AI成本问题凸显，微软进行系统性重构，构建质量保障体系，成本工程化能力成竞争新焦点。
Ilya的第一个模型，被曝本月上线
新智元报道，投资人Gavin Baker称Ilya Sutskever创立的SSI本月将发布首个模型。他还提及持续学习等技术或影响英伟达显卡需求，且指出Claude成华尔街“克朗凯特”，带来市场共识同质化。
Anthropic 深夜发布 Claude Design，一句话生成 UI，百亿美元市值 Figma 股价跌了 4.6%
Anthropic 发布新产品 Claude Design，由 Claude Opus 4.7 支持，以研究预览形式向部分用户开放。它定位为设计师“搭子”，覆盖多设计工作流。网友评价高，但也有人指出其生成结果有同质化问题，对传统设计工具冲击待察。
腾讯把WorkBuddy这张王牌，开放给100多家公司｜甲子光年
9月2日，腾讯WorkBuddy举办生态发布会，开放平台正式上线，首批引入超百家生态伙伴，开放底层Agent能力。其在AI办公赛道竞争激烈、产品同质化的背景下做出此开放动作，且面临生态繁荣、商业化等问题。