「评测实践」共找到 1136 篇相关文章
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
EMNLP 2025 | T2R-bench: 业内「首个」工业级表格生成报告评测基准
中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。
打破 AI 辅助开发碎片化困境，阿里巴巴 R2C Agent 的 AI 编程实践
文章围绕阿里巴巴 R2C Agent 的 AI 编程实践展开。指出当前 AI 辅助开发存在与生产链路结合难、协作碎片化等问题，介绍了 R2C Agent 如何驱动研发链路，阐述其框架、实施情况及未来提升 AI 渗透率的目标。
阿里云百炼 AgentScope 基于容器服务的最佳实践，加速企业 AI Agent 应用落地
自 ChatGPT 发布，大语言模型成智能系统核心，AI Agent 兴起。阿里云百炼与容器服务联合发布 AgentScope on 容器服务方案，为智能体应用提供运行底座，介绍了 AgentScope 特性、容器服务能力及部署实践等。
OpenAI官方揭秘：我们这样用Codex写代码「7大核心用法、6条最佳实践首次公开」
本文基于对OpenAI工程师访谈和内部数据，汇编了Codex的7大核心用法，如代码理解、重构与迁移等，还给出6条最佳实践，展示其如何助力团队高效工作、提升质量及管理复杂性。
马斯克点赞的APP来了！刚下场视频世界模型，就拿下评测第一
实时视频世界模型成热门，Loopit发布的实时互动世界模型Zing - 0.5在评测中获第一且已开源。该公司提出独特观点，认为实时视频非世界，互动应“模应一体”，还指出抵达端到端终局的新路径。
从 “管好数据” 到 “让数据生智”，华为再发新作《数据空间探索与实践》| 文末赠书
2025年11月15日，机械工业出版社牵头举办研讨会，庆祝《华为数据之道》发行五周年及《数据空间探索与实践》上市。行业大咖齐聚，共话数据治理演进，两书为行业提供了有价值的参考。
AI4S智能体「井喷」，这个智能体登顶多项评测榜单，实现产业落地
2026年是AI4S「智能体元年」，科研智能体产品密集发布，行业关注转向产品落地。深度原理发布的AI科学家平台Mira在多项评测中领先，其全链路闭环系统补齐传统短板，已在多领域落地验证。
知识类型视角切入，全面评测图像编辑模型推理能力：所有模型在「程序性推理」方面表现不佳
东南大学等团队提出KRIS - Bench，从知识类型视角对图像编辑模型推理能力评测。它分三大知识范畴、细化多种任务，设四维度评估指标，测10款模型，发现模型程序性推理等能力不足。
Agent 成大厂新“战场”？从同程旅行 DeepTrip 看垂类 Agent 的设计与落地实践
文章聚焦同程旅行推出的垂类旅行 Agent DeepTrip，介绍其设计与落地实践。它能降低旅行决策成本，构建旅行服务生态。团队基于多方面考量选 Agent 架构，还从多维度介绍实现方法及未来规划。