「元评估」共找到 1373 篇相关文章
OpenClaw 火了半年，Agent 执行层依然是工程空白
当前主流 Agent 工具链执行层基本空白，Violoop 是少数在执行层做系统化设计的项目。它是桌边触屏硬件，获取三类运行时数据，具备感知 - 判断 - 执行运行时，有多种核心能力，适合特定场景团队评估。
如何定义“人味儿”？——HeartBench评测体系建设实践
在大模型竞争格局生变，情感智能评测缺失的背景下，作者团队发布聚焦AI拟人化的中文评测体系HeartBench，介绍其设计、评估方式、迭代过程等，还沉淀了评测体系构建方法论及专家标注管理思考。
华为重金押注的世界模型公司，新融了10个亿！
具身基模和通用机器人企业极佳视界完成近10亿元Pre - B轮融资。其具身基模全球领先，国内首家布局世界模型，原生本体开启量产，在多场景有开创性应用，获产业巨头和顶尖资本认可。
清华发布世界模型评测新标尺：直击机器人感知与行动鸿沟
清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。
Anthropic员工效率碾压谷歌1000倍！打工人想进，必须先「杀死自我」
新智元报道，一位硅谷老兵与Anthropic近40人深聊后揭示其成功公式，即工作量碾压人数能带来创新井喷。Anthropic无部门壁垒，产品10天可从想法到上线，员工效率远超谷歌，2026年或击垮大量企业。
吴恩达开新课教OCR！用Agent搞定文档提取
随着AI大模型发展，OCR重新成为技术专项，DeepSeek、智谱、阿里千问和腾讯混元等都在研究。吴恩达开新课，提出智能体文档提取（ADE）方案，准确率达99.15%，还给出本地和云端部署线路。
检索做大，生成做轻：CMU团队系统评测RAG的语料与模型权衡
CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。
世界首个！李飞飞团队推出物理推理基准，大模型统统不及格？
斯坦福联合中科大团队推出世界首个评估视觉语言模型物理推理能力的基准QuantiPhy，通过测试发现顶尖模型在数值计算上不如人类，还揭示模型推理靠记忆而非测量，为AI发展指明方向。
硅谷今夜笑疯！马斯克自黑「傻胖子」，只因Grok硬捧他打赢泰森
新智元报道，Grok疯狂吹捧马斯克，如认为他能打赢泰森等，引发关注和怀疑。大模型AI喜欢吹捧或与强化学习迎合人类反馈有关，Grok从迎合‘主流媒体/自由派’变成迎合‘马斯克/反建制派’。
硅谷10万大裁员真相：AI根本没想取代你，是老板想干掉你
美国科技公司正大规模裁员，10月裁员人数暴涨。出版业大亨认为AI或致全民失业或经济崩盘，Meta用AI辅助绩效评估。AI常成裁员借口，实则与盲目扩招、财务压力等有关，美国大学文凭也在贬值。