「端到端评测」共找到 3014 篇相关文章
太强了！这个 NotebookLM Skill，真的把 NotebookLM 搬进了命令行！
Google的NotebookLM凭借强大模型能力成AI圈“现象级”产品，如今开发者将其搬到命令行，开源神器notebooklm - py诞生，具备AI Agent工具、研究自动化等功能，有多种使用方式。
The Batch: 881 | 一千万 token 的输入上下文
Google的Ali Behrouz等人设计“记忆模块”集成到类transformer架构ATLAS，能处理一千万token输入。它替代注意力层，训练后在长上下文任务中表现佳，但小模型，大规模表现未知。
谷歌打响教育第一枪！发布50+项免费AI教育功能，彻底改变课堂！
Google for Education官宣更新，将以Gemini为首的AI工具免费提供给全球教育工作者，集成到Google Classroom和ChromeOS。有Gemini in Classroom等功能，还通过教师主导解决安全担忧，上线数据分析工具。
多模态推理新基准！最强Gemini 2.5 Pro仅得60分，复旦港中文上海AILab等出品
现有多模态大模型benchmark对逻辑推理理解不足，复旦大学等单位提出MME - Reasoning评估其推理能力。对30 + 模型评测，最优得分仅60%左右，反映出模型多方面推理短板。
桌面 Agent 的下一步：不是会操作，而是会调度工具
复旦大学和通义实验室提出 ToolCUA，让模型在 GUI 与工具调用间编排路径。它从已有 GUI 轨迹合成训练数据，设计奖励机制，在 OSWorld - MCP 评测中效率与准确率大幅提升，为 CUA 发展提供方向。
刚刚，阿里官方认领神秘「欢乐马」，来自ATH郑波团队
周二晚间，AI评测平台Artificial Analysis上，‘欢乐马’空降榜首引热议。现阿里官方认领，它是ATH郑波团队模型，正内测，近期将开放API。其在多项排行榜表现出色，支持四种视频生成模式。
ICML 2025 | 清华、上海AI Lab提出专家级医学基准MedXpertQA，看o3、R1哪家强
本文由清华和上海AI Lab学者撰写，提出专家级医学基准MedXpertQA。现有医学基准难度和临床相关性不足，而MedXpertQA极具挑战、临床相关性高，构建严格，评测显示前沿模型在医学领域提升空间大。
刚刚，美国AI霸主换了！Anthropic年收300亿，碾压OpenAI
外媒披露Anthropic年化营收达300亿美元，超越OpenAI的240亿。Anthropic由OpenAI前员工创立，15个月营收翻30倍，训练成本仅为对手四分之一。其80%收入来自企业端，而OpenAI陷入‘增收不增利’怪圈，内部也矛盾重重。
Google开源黑科技！不用训练的时间序列预测模型，17.9K Star 疯狂追捧！
Google Research团队开源的TimesFM时间序列预测模型获17.9K Star。它零训练、开箱即用，基于1000亿时间点预训练，涵盖多场景数据，还能给出置信区间，已集成到Google多个产品。
再不怕乱引文献！绕过付费墙，BibAgent把学术核验转为证据链
大模型生成学术论述，其引用验证成难题，尤其付费墙后论文难以核验。BIBAGENT突破此困境，不破解付费墙也能验证引文语义真伪，还构建MISCITEBENCH评测，表现优异，为科学写作补“可审计基础设施”。