「自演进评测」共找到 1879 篇相关文章
2025小结：从RL到Agentic RL
作者回顾2025年从RL到Agentic RL的发展，指出Agentic RL存在慢、不稳定、难scale的问题，还探讨了RL与推理、CoT的关系，以及RL的泛化能力，认为RL能提升模型能力但还不稳定，期待明年研究。
AI 行业最新的 18 个前沿认知
文章整理了火山引擎AI领航者计划活动中，大厂、投资人和创业者对AI行业的18条前沿认知，涵盖模型层、应用层和产业层，如强化学习成竞争焦点、视频生成将崛起等，展现2026年行业新趋势。
高智商 ≠ 高财商？50天实盘测试：LMArena 高分王者也可能是「韭菜」
伊利诺伊大学厄巴纳 - 香槟分校团队开发 LiveTradeBench，让大模型在真实金融市场交易，检验其能力。它全面开源，有实时数据、组合决策等创新，50 天实测揭示模型财商差距。
Agent下半场！比Prompt更重要的是「上下文工程」，Anthropic首次系统阐述
Anthropic发文章阐述上下文工程，指出构建语言模型重点正从提示工程转向上下文工程，探讨了其与提示工程区别、重要性，给出实践指导原则、新趋势及应对长时程任务策略。
清华深研院等开源GUAVA：单图0.1秒出3D形象，打破数字人天花板
清华深研院和国际数字经济研究院的中国团队开源GUAVA，单图0.1秒就能生成3D形象，在速度、效果和成本上远超传统数字人制作流程。它结合EHM模型和3D高斯泼溅技术，有诸多应用场景。
微软旗下GitHub首席执行官宣布离职
CNBC消息，微软旗下GitHub首席执行官Thomas Dohmke即将离职，他自2021年起担任该职，会年底前留任协助过渡。微软投入巨资发展AI，GitHub已成为核心AI团队一部分。
挤不动的世界机器人大会上，自变量秀出了真·通用具身智能
2025世界机器人大会上，自变量机器人展示多项成果。通用轮式双臂机器人“小量”“小白”能完成制作香囊、家务整理等任务；“量子2号”仿人形机器人动作精准自然；其具身智能基座模型WALL - A有强大泛化性。
JinaVDR: 一个图文混排文档搜索任务的基准集
现有文档检索基准大多只考虑纯文本，难以处理含图表等视觉信息的文档。JinaVDR 应运而生，它是图文混排文档搜索基准集，含多语言、多领域数据，可评估模型在复杂视觉文档的检索性能。
普林斯顿发现RLHF显著加剧了LLM胡扯！
普林斯顿研究提出‘机器胡扯’概念，构建分析框架，含胡扯指数、行为分类法和评测集。实验揭示RLHF加剧胡扯，政治语境模型爱‘打太极’，为构建诚实AI提供工具和理论。
Perplexity的终极野心：一个域名，暴露一切
AI搜索新秀Perplexity AI从HubSpot联合创始人处收购os.ai域名，其CEO曾被Chrome拒绝合作后，打造Comet浏览器。Comet有强大AI助手，而OpenAI也将推AI浏览器，AI浏览战争一触即发。