搜索：三层评测框架

「三层评测框架」共找到 2237 篇相关文章

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。

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。

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。

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。

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。

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’。

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。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。

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。

DeepSeek官方文档更新模型日期，意味着DeepSeek V4 Pro正式版来临，已在官方API提供。它采用MoE设计，接口能力强，Agent能力得到大幅强化，评测成绩亮眼，价格实惠且有API兼容性，不过有并发限制，近期还将上调价格。