「评测框架」共找到 2160 篇相关文章
震撼实锤！清华姚班校友揭「1.4×加速」陷阱：AI优化器为何名不符实？
为降低大模型预训练成本，近年新优化器频出，宣称加速1.4×到2×却难落地。斯坦福研究指出方法学缺陷，对比不同缩放范式加速差异，给出优化器设计见解，证实严格基准评测必要。
奖励模型也能Scaling！上海AI Lab突破强化学习短板，提出策略判别学习新范式
上海人工智能实验室提出策略判别学习（POLAR）新范式，解决奖励模型设计与训练瓶颈。POLAR可灵活适配多样需求，弥补传统奖励模型短板，契合强化微调框架，实验证明其性能和泛化性优越。
华为多路径推理破解大模型数学瓶颈，准确率超97%｜ICML 2025
大模型处理复杂问题常“翻车”，华为诺亚方舟实验室提出思维森林（FoT）框架，借鉴人类认知方式，打破线性推理范式。FoT在多个数学推理任务表现出色，准确率超先进模型，将在ICML 2025开源。
最大的开源GraphRag：知识图谱完全自主构建｜港科大＆华为
香港科技大学KnowComp实验室与香港华为理论部提出AutoSchemaKG框架，可自主构建知识图谱，无需预定义模式。该系统利用大模型提取知识三元组并归纳模式，构建了ATLAS系列知识图谱，经测试表现优异。
Anthropic 的 Harness 哲学：把 Agent 当牲口，而非宠物
本文分享Anthropic最新两篇博客，介绍其将运维圈“宠物 vs 牲口”哲学用于AI Agent架构设计。旧架构如“宠物”易出问题，新架构脑手分离，把Harness做成可随时重启的“牲口”，降低延迟、提升安全，还提出信任框架。
港大开源ViMax火了，实现AI自编自导自演
香港大学黄超教授团队开源ViMax框架，在GitHub获高星标。它借助多智能体协作实现AI自编自导自演视频，突破主流模型在长视频制作的瓶颈，采用多种策略应对技术挑战，不过在多方面仍有提升空间。
推理能力大比拼，《推理模型综合测评报告 2025 》正式发布
过去半年，推理能力成大模型新分水岭。InfoQ研究中心评测八款热门模型，围绕五大维度，用超90%原创试题。发现各模型在不同维度表现有差异，推理模型发展正从‘一个大脑’变为‘带工具的多能智能体’。
AI视频杀出一匹“快乐黑马”：把Seedance 2.0挤下榜首，幕后团队成谜
4月7日深夜，AI评测平台公告Video Arena新增匿名视频模型HappyHorse - 1.0，48小时后积分登顶，超过Seedance 2.0。网友猜测其出自中国团队，有线索指向Sand.ai等联合团队或阿里淘天集团。实测表现有亮点，Elo评分合理性存疑。
通义实验室正式开源 Mobile-Agent v3.5 及新一代多平台 GUI Agent 基座模型 GUI-Owl-1.5
通义实验室正式开源 Mobile - Agent v3.5 及新一代多平台 GUI Agent 基座模型 GUI - Owl - 1.5。该模型有多档参数可选，分 Instruct 和 Thinking 版，支持多平台。它解决了高质量数据难搞定等痛点，评测表现良好。
梁文锋、马斯克同时开火！DeepSeek V4 Pro，Grok 4.6 发布
刚刚，DeepSeek悄悄上线DeepSeek V4 Pro正式版，马斯克高调推出Grok 4.6，两者性能直逼顶级闭源甚至有超越。每百万输出Token，Grok 4.6和DeepSeek价格优势明显。两者在多项评测中表现出色，且后续还有大招。