「基准构建」共找到 2651 篇相关文章
大模型结构化推理优势难复制到垂直领域！最新法律AI评估标准来了，抱抱脸评测集趋势第一
多个机构研究人员联合发布全新多语言法律推理基准数据集LEXam，它含4886道题，每道长篇题有答案和推理路径。研究显示现有大模型应对法律推理难，LEXam引入评估新模式，还对不同模型做了测试。
字节最新大模型秘籍：只挑能有推理潜力的数据训练！1.3B模型无需标签自动挑选
字节Seed团队发布AttentionInfluence成果，用1.3B模型给7B模型选数据，无需训练和标签。通过比较基础与弱化模型损失差异评估数据影响，在多基准测试提升模型性能，还能结合分类器全面提升表现。
章鱼动力再获5000万美元融资，以世界模型驱动「手脑一体」的物理 AI 基础设施
AI科技评论获悉，物理AI基础设施公司章鱼动力近日完成5000万美元融资，过去3个月累计融资近10亿。本轮由锦秋基金等领投，下轮5亿融资也接近完成。公司以SYNTH架构构建闭环，目标推动物理AI进阶。
BIGAI & 中科大团队提出 MILR: 测试时隐空间推理，让图像生成学会「边想边改」丨ICLR 2026
BIGAI与中科大等团队提出MILR，通过测试时隐空间推理，在不更新模型参数下优化图文表示，提升复杂图像生成能力。该方法在多基准测试达SOTA，还探讨了测试时扩展与奖励模型，未来有诸多拓展方向。
停止迷信“超级Prompt”：要想AI不犯错，你得专门雇人“怼”它
这篇来自Isotopes AI的论文指出，在生成式AI落地中，迷信‘超级Prompt’不可取。对于高风险场景，单体LLM有局限，论文构建‘AI Office’架构，引入‘对手团队’概念，实验使准确率从60%提升到92.1%，但也有成本和局限。
VerseCrafter：给视频世界模型装上4D方向盘，精准运镜控物
复旦大学与腾讯等机构提出VerseCrafter，这是通过显式4D几何控制实现的动态逼真视频世界模型，能精准控镜和指挥物体3D运动。它用独特方法构建4D可控世界模型，实验超现有SOTA方法，代码与模型已开源。
DeepMind爆火论文：向量嵌入模型存在数学上限，Scaling laws放缓实锤？
DeepMind一篇关于向量嵌入局限性的论文在AlphaXiv爆火。其证明向量嵌入有数学上限，Scaling laws或放缓。研究构建LIMIT数据集，测试发现即便是先进嵌入模型也难解决简单任务，揭示了RAG系统约束，让人反思Scaling Laws边界。
从「自我进化」到「DAA」，百度给出 Agent 时代系统答案
2026 年 AI 行业发展微妙，模型能力增强但转化为生产力的企业不多。Create 2026 上百度给出两层答案，构建系统能力，提出 DAA 度量 AI。这是过去三年判断的收束，将非共识整合成面向 Agent 时代的方法论。
ACL 2026｜Doc-V*：读100页文档不如只翻对5页，80页场景「暴打」RAG 10个点
Doc-V*由小米和华中科技大学团队提出，是多页文档理解新范式，通过交互式视觉推理让模型有策略地读长文档。它在多页文档问答基准上比RAG变体提升49.7%，不依赖大模型或长上下文窗口。
Clawdbot开发者：未来一大批应用都会消失，提示词就是新的interface
Clawdbot开发者Peter Steinberger在采访中分享诸多观点，认为今年是「个人助理」之年，每个人应构建智能体探索记忆机制；指出GUI糟糕，多数MCP应做成CLI；还称未来大批应用会消失，提示词是新界面。