「评测系统」共找到 2238 篇相关文章
Grok火爆全球，靠的居然是一个二次元金发美少女。
马斯克推出Grok的companion功能，3D虚拟人Ani是二次元金发美少女。功能上线后Grok热度大增，下载量在日本和中国香港冲到第一。Ani有好感度系统，能换衣服，还可聊NSFW内容，引发用户兴趣。
大模型最难的AI Infra，用Vibe Coding搞定
Andrej Karpathy 力荐的 Vibe Coding 在 AI Infra 开发中常「水土不服」，存在上下文丢失、决策偏离、质量不稳定等问题。文章提出文本驱动的 Vibe Coding 方法，并以 Agentic RL 中的资源调度系统为例验证其有效性，还介绍了相关团队和工具。
刚刚，豆包编程模型来了，我们用四个关卡考了考它！
2025年AI编程助手分化为IDE增强和Agentic两条路线。当前Claude Pro有使用限制，火山引擎推出豆包编程模型Doubao-Seed-Code。它在多项评测表现优异，具备长上下文等能力，经四关测试实力强，价格也实惠，或成完美平替。
ICCV 2025放榜！录取率24%，夏威夷门票你抢到了吗？
ICCV 2025 于 10 月 19 - 25 日在美国夏威夷举行，已公布论文接收结果，录用率 24%。投稿量近 2019 年三倍，录用率较稳定。会议实施新政策，部分论文因审稿人问题被拒引争议。还提及投稿量激增挑战及评审系统改革建议。
OpenClaw 背后核心框架 Pi：好的 Coding Agent 应该让用户来决定需要什么
OpenClaw 背后核心框架 Pi 是极简框架，系统提示词和工具定义不到 1000 tokens。开发者 Mario 认为好的 coding agent 应让用户决定需求。Pi 不支持 MCP 等，在 Terminal Bench 2.0 排名靠前，GitHub 星数超 24000。
GAIR Paper 107｜高校联合腾讯发布 GameCraft-Bench：AI已能端到端开发游戏，Claude Opus 四成达到可玩水平
香港中文大学（深圳）等高校联合腾讯发布 GameCraft-Bench，旨在构建基于真实游戏引擎、产物完整可运行且能验证的 AI 游戏生成评测基准，解决现有基准难衡量端到端可玩性的问题，测试显示前沿模型在游戏生成上仍薄弱。
微软副总裁X上「开课」，连更关于RL的一切，LLM从业者必读
微软副总裁 Nando de Freitas 在 X 上「开课」，分享人工智能教育帖子，从 LLM 的强化学习讲起。内容涵盖无监督、监督、强化学习定论，分布式强化学习系统构建，RL 用于后训练 LLM 等，还介绍单步强化学习与策略梯度及相关技巧。
同一天，百度、OpenAI双双发力高智能AI！先来实测一波原生全模态文心5.0
2025年，OpenAI凌晨更新GPT - 5系列，百度在世界大会发布文心5.0。它采用原生全模态统一建模技术，参数达2.4万亿，评测领先。实测表现佳，其技术在多方面突破，为大模型演进提供路径，助百度重回竞争中心。
工行x上交大发布多智能体研究成果，通过群体智能刷新翻译新高度！
2025年多智能体系统成大模型研发新高地。工行大数据和人工智能实验室与上海交大人工智能学院推出多智能体翻译系统TACTIC，以认知翻译学为指导，在相同模型配置下提升翻译效果，在小模型下提升更明显。
今年最难的机器人Demo，“机器人含量”为0
自变量发布全新灵巧操作系统TwinDex，后训练阶段真机遥操数据为0，机器人就能完成多项精细操作。该系统设计有灵巧性、一致性和可扩展性，降低了对真机遥操数据的依赖，使高质量数据与真机遥操的强绑定松动。