「跨平台评测」共找到 2122 篇相关文章
全球排名前三，复旦自进化Harness Engineering让GPT‑5.4再涨7个点
2026 年以来，Harness Engineering 成业界热词。复旦大学等团队提出 Agentic Harness Engineering (AHE)，可实现 Harness 自动优化。实验中，AHE 让 GPT - 5.4 分数提升，适配 GPT - 5.5 后排名全球第三，且有良好泛化能力。
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。
图像编辑模型不止生成：BIGAI&上交大提出EAR范式，系统测试其视觉规划能力
上海交通大学联合北京通用人工智能研究院提出EAR范式，构建AMAZE基准，分析图像编辑模型视觉推理能力。研究发现模型零样本表现弱，扩散式模型更适合视觉规划，CoT效果不稳定等。
机器人长出800个心眼？阿里达摩院开源具身新大脑，硅谷又坐不住了
2026年具身智能竞争激烈，阿里达摩院开源RynnBrain“具身大脑”。它采用分层架构，在16项评测中超越前沿模型。还介绍了核心技术、训练策略等，且全系列模型、评测基准和代码均开源。
模型合体！上交&上海AI Lab&华师提出LED-Merging，拒绝「能力」与「安全」二选一
上海人工智能实验室等团队提出LED - Merging解决模型融合“安全 - 效用冲突”问题。该方法无需训练，像“神经元手术刀”，不牺牲专业能力还提升安全性，论文已被ACL 2025 Main Conference接收。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。
AI 正在毁掉开源：从“协作圣地”到“垃圾洪水”，维护者士气跌至谷底，开始集体掀桌
AI Slop正破坏开源开发中维护者与贡献者的社会契约，贡献数量使系统不堪重负。文章探讨AI Slop时代开源现状、维护者应对方式，还提及基金会政策、极端选项、激励问题，并给出最终建议。
Human In the Loop竟然可以是个MCP?
文章基于阿里实践，阐述如何在大模型研发平台OpenLM及其他Agent平台，针对“Human In The Loop”场景做产品设计与研发。介绍用MCP实现人机回路的方案，还探讨人类回答及提示词倾向性等问题。
宇宙尺度压缩：Scaling Law的边界，柏拉图表征收敛于物质和信息交汇，解决P与NP问题，Simulation假说……
超对称公司在BigBang - Proton实现跨尺度跨结构科学多任务学习，提出宇宙尺度压缩构想。文章论证其科学基础、工程可行性与意义，探讨Scaling Law边界，还给出宇宙尺度压缩计划和相关假设。
阿里“悟空”上线！钉钉给企业送来龙虾大军
AI钉钉2.0年度新品发布会上，阿里发布AI toB旗舰应用“悟空WuKong”，它以企业智能体为核心，能落地办公场景。悟空开启全球邀测，也会内置到钉钉AI 2.0。它还带来行业解决方案，补齐安全短板。