「系统评估」共找到 2340 篇相关文章
一篇400+文献最新RAG技术系统性综述
本文对RAG技术进行系统性综述，通过筛选5大数据库、128篇高被引文献、343个数据集，给出技术地图、评估框架与未来路线，梳理技术全景、评估指标，还介绍主流数据集，指出RAG已演变为复杂系统。
全球首个科研LLM竞技场上线！23款顶尖模型火拼：o3夺冠，DeepSeek第四
Ai2耶鲁NYU联合推出科研版「Chatbot Arena」——SciArena，23款顶尖大模型比拼科研任务，OpenAI o3夺冠，DeepSeek第四。该平台解决通用基准测试在科研场景‘失效’问题，但其自动评估系统猜科研人偏好远未及格。
多智能体在「燃烧」Token！Anthropic公开发现的一切
Anthropic发布多智能体研究系统构建解释，解决多智能体研究困惑。多智能体系统优势明显，在特定任务中表现出色，但token消耗大。其架构独特，还介绍了提示词工程、评估方法、面临的工程挑战等内容。
一篇19种自进化Agent Skill框架最新综述
这篇来自Rutgers大学和UNC Charlotte的survey，首次系统梳理Agent技能的进化与评估全貌，覆盖19种技能进化方法和10个评估基准。指出当前评估体系有诸多不足，如无法追踪技能多轮反馈后是否变好等。
大语言模型逻辑评估
现有归因问答评估方法有‘归因短视’问题，研究团队提出 LOGICSCORE 框架，从三维度量化推理质量。在多数据集测试多款 LLM，发现专有、开源模型等存在不同逻辑问题，还分析典型逻辑错误。
通用AI Agent系统AI Manus
AI Manus是通用AI Agent系统，支持在沙盒环境运行工具。文中给出使用示例，介绍环境要求、部署与开发指南，推荐用Docker Compose部署，还提及项目地址、交流群等信息。
快手AgentX：推荐系统开始自我迭代
过去十年推荐系统核心在‘建模’与‘工程’，但日常迭代瓶颈在研发生产方式。快手 AgentX 团队提出 Agent 驱动研发闭环，在快手 App 业务部署中跑通完整闭环，提升效率与业务收益。
什么是系统提示词？如何逆向提示词？
大语言模型启动时会接收系统提示词，决定其角色、回答风格与安全边界。提示词逆向是试图获取或绕过该提示的行为。本文介绍其作用、逆向手法及开发者防御措施，助于安全使用和设计大模型。
BettaFish微舆：一个多智能体舆情分析系统
BettaFish微舆可依自然语言需求抓取分析30多个主流社交媒体生成舆情报告。它将任务拆解给不同智能体，系统架构清晰，最终整合生成带时间线分析的HTML报告。项目在GitHub开源且登顶趋势榜第一。
变更即指标：用交付信号度量系统可靠性
系统变更是生产事故主因，本文提出聚焦变更可观测性的指标框架，介绍可扩展架构采集展示指标。定义业务和技术指标，构建以事件为中心架构获取数据，还阐述以数据驱动改进变更交付过程。