「看图测试」共找到 2369 篇相关文章
DeepSeek、GPT、Qwen，所有大模型架构图都有，Karpathy：宝藏画廊！
大模型赛道热闹，架构创新多，理解困难且缺清晰架构图。AI 研究者 Sebastian Raschka 绘制主流大模型结构，整理成在线图谱「LLM Architecture Gallery」，方便研究者查阅对比。
VQA高分是在看图，还是在记答案？ReKey只更新决定答案的那一小块
视觉问答模型准确率提升，但高分可能源于记忆。浙江大学等团队提出 ReKey，保留真实场景，只更新决定答案的视觉线索，使评测面向未见过内容，且多数环节可自动完成。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。
科研数据不再碎片化！一张可计算图，连起整个科研世界
UIUC研究团队打造ResearchArcade，将ArXiv论文、OpenReview评审等碎片数据连接成动态知识图谱。它有多源、多模态等特征，支持多种格式数据导入导出，定义了六个任务，验证了图结构在科研数据处理中的作用。
Anthropic、Thinking Machines Lab论文曝光：30万次压力测试揭示AI规范缺陷
Anthropic和Thinking Machines Lab等机构研究人员提出模型规范压力测试法，基于细粒度价值体系生成超30万个查询场景，分析12个前沿大模型回答，揭示模型规范存在原则冲突、解释歧义等缺陷。
GPT-6 Astra发布，多个基准测试接近满分，“欢迎来到AGI时代”？
当地时间9月3日，OpenAI发布GPT-6 Astra，称其为“最智能、最对齐”的模型。它在多测试表现逆天，能力提升显著，还加入新特性。不过价格更高，也带来安全问题。
有些时候真觉得，AI总结和“三分钟看电影”没啥区别。
作者不喜欢用AI总结内容，认为它和“三分钟看电影”类似，会清除内容的细节和体验感。作者强调真正的学习和创造诞生于“无聊”时刻，呼吁人们在追求“快”的时代，享受“慢”过程，别让AI替自己生活。
马斯克终于成『AI No.1』，6大案例看实力与水分
马斯克发布Grok 4，宣称其超越OpenAI等LLM。它屠了各种榜单，但Grok系列口碑欠佳。文中通过多案例测试，展现其在各方面的表现，如编码、数学、图像等，还提到了API速度和价格。
为什么AI总是"记错"你？我们造了一个"合成人生"来测试
现有AI记忆评测只记'事'不记'人'，存在数据源窄、不重理解、注入成本高的问题。QuantaAlpha联合高校团队提出CloneMem基准测试，用'数字痕迹'评估AI Clone长期记忆能力，实验有反直觉结论并给出设计启示。
浙大校友打造AI代码测试神器，零代码零bug，30分钟创建网站
浙大校友打造的智能测试平台TestSprite 2.0，零代码零bug，30分钟创建网站，能让AI写代码准确率从42%跃升至93%，还可自动生成测试报告、调试修复错误，全程无需人工干预。