「评估方法」共找到 2128 篇相关文章
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。
π0.7来了！涌现出组合泛化、跨本体迁移能力，VLA又行了？
具身赛道玩家 Physical Intelligence 发布新模型 π 0.7，它展现出组合泛化和跨本体迁移能力，还能通过知识蒸馏学会优化技巧。其强大源于杂数据和细提示，未来有望解决复杂任务。
一种可以减少 CI 回归测试套件规模的更佳方案
作者作为测试架构师，认为减少CI回归测试套件规模理论诱人但实践常失望。介绍有效处理大型测试套件的方案，如随机趋势分析、多上下文模式匹配等，还谈及无门控测试等优势，能助力管理测试集。
CVPR 2026 | EmoStyle：情感也能“风格化”？深大VCC带你见证魔法！
EmoStyle由深圳大学可视计算研究中心黄惠教授课题组完成。它解决图像情感风格化两大挑战，提出有效方法、构建数据集、设计模块。实验显示其平衡情感与内容，还能扩展到文生图。
TPAMI 2026 | 仅用两个变量破解混杂因素：CIC实现动力学因果推断与混杂变量重构
上海交通大学陈洛南团队与西北工业大学张绍武团队合作，在《IEEE Transactions on Pattern Analysis and Machine Intelligence》发表成果，提出动力学因果判别框架CIC，能在有未观测混杂变量时，借观测数据识别因果、重构变量与网络。
OpenClaw 一键接入飞书最简单的方式，出现了！
作者作为安装 OpenClaw 的技师，起初安装方式效率低。后飞书推出在“飞书妙搭”一键接入 OpenClaw 的方法，还自动安装官方插件，其功能强大，可让 AI 助手像“数字同事”参与协作。
OpenClaw只养一只龙虾？难怪不好用。我直接养了6只，效果炸裂！
文章指出OpenClaw默认配置养虾易出问题，介绍了一次养多只虾的方法，包括建虾、注入人格、写通讯录、接入飞书、改配置文件、重启验证等步骤，还提及进阶玩法。
速度提升，能力却暴跌？扩散模型做智能体的残酷真相
南洋理工大学陶大程教授团队联合发布评测报告，揭示扩散语言模型在智能体能力上有系统性缺陷，落后自回归模型。还分析其失败原因，提出评测框架，明确能力边界并给出研究建议。
《多模态大语言模型技术发展报告》正式发布 | 中科算网算泥社区
2月5日，中科算网算泥社区发布《多模态大语言模型技术发展报告》。报告回顾多模态大模型发展历程，剖析核心技术创新，展示应用实践，分析挑战与机遇，为各界提供参考，推动多模态AI技术发展。
这个Skill可以消除文本中AI生成的痕迹，没了AI味的内容肯定会更受人喜爱。
AI创作大爆发，但其生成内容有“机械感”。介绍了可在Claude Code使用的Skill，能消除AI生成文本痕迹，还给出手动修改方法及原则，呼吁创作者用心改内容。