「评估体系」共找到 1237 篇相关文章
Codeforces难题不够刷？谢赛宁等造了个AI出题机，能生成原创编程题
LiveCodeBench Pro团队推出AutoCode框架，利用LLM自动化竞赛编程问题创建与评估。该框架结合验证器 - 生成器 - 检查器框架与双重验证协议，在测试用例生成上可靠性佳，还能生成新问题，同时揭示了LLM在创作上的优劣势。
从人工到AI驱动：天猫测试全流程自动化变革实践
AI时代，天猫技术质量同学探索AI在测试全流程提效的落地方案，将传统测试工作链拆解为五阶段，目标是实现全流程自动化等。介绍了测试体系变革、所需关键能力、技术架构及落地收获与未来趋势。
腾讯混元图像3.0开源榜一，工业级800亿参数可商用，附提示技巧
28日，腾讯开源800亿参数的工业级原生多模态生图模型HunyuanImage 3.0，个人和月活≤1亿公司可免费用。它是全球参数量最大、性能最好的开源图像生成模型，技术强、评估表现优，官方还整理了提示词手册。
1052篇文献！上海AI Lab发布科学LLM综述：从数据基础到Agent前沿
上海AI Lab主导，25家研究机构共同梳理270+训练集、190+评测集，提出科学数据分层框架与智能体闭环科研新范式。还介绍了模型演进、数据情况、评估基准等，指出数据缺陷并展望走向科学家智能体的三步。
企业落地 NL2SQL，需要的是 AI-ready data 和 小模型
当NL2SQL从Demo走向生产，关键是‘更干净的数据底座 + 更小的专用模型 + 更可控的工程化流程’。文章指出先数据后模型，小模型足够用且落地成本低，评估要换维度，还介绍了工程化路径等内容。
Cursor只排第6！136国用户实测25款AI编码工具，第一名73%胜率，还是个新面孔
Design Arena评测平台用对抗式评测方法，让用户对AI模型生成的设计作品投票，评估其设计美学表现。文章总结了上榜的编码工具，如new.website胜率约73%排第一，还对比了不同类型模型的排名情况。
o3 Gemini 都翻车？首个可验证长链 GUI 数据集 VeriGUI 重磅开源，探索通用 Agent 能力边界
GUI 智能体发展遇瓶颈，现有数据集难评估其长时程规划能力。2077AI 开源基金会牵头构建的 VeriGUI 应运而生，有长链复杂性与子任务级可验证性特征，论文登 Hugging Face 月榜第三，还证明现有模型瓶颈。
LangChain CEO 再聊 Agent：chat 模式只是起点，Ambient Agents 才是未来
LangChain CEO Harrison Chase 和企业 Agent 平台 Dust 的 CEO Stanislas Polu 在播客中探讨 Agent 发展。他们认为 Agent 是光谱，Agentic 程度更重要；chat 模式只是起点，Ambient Agents 才是未来；还谈及多智能体系统及 AI 创业等话题。
智元启动「买买买」，路径未明，资本抢跑，主流技术范式下谁在领跑具身智能赛道？
2025年7月，智元机器人21亿现金收购上纬新材，成A股首个“具身智能概念”上市公司，引发行业震动。具身智能技术尚在演进，业内从多方向构建系统，主流路径有端到端大模型体系和双系统架构。
13年死磕一个真理，这家中国AI黑马冲刺IPO
云知声深耕AI 13年，即将冲刺港交所IPO。它从单一语音识别发展为全栈AGI方案商，以智慧生活和智能医疗双轮驱动，营收稳健增长。其坚持技术创新，构建全栈自研体系，有望在AI时代持续领跑。