「端到端评测」共找到 3014 篇相关文章
Anthropic官方解密：3招上下文优化，破解Agent性能暴跌
本文是Anthropic官方文章翻译，从提示词工程拓展到上下文工程，阐述其构建方法。介绍上下文工程对构建智能体的重要性、上下文构成，还提及上下文检索、智能体搜索及长期任务的上下文工程解决方案。
IROS 2025 | 机器人衣物折叠新范式，NUS邵林团队用MetaFold解耦轨迹与动作
新加坡国立大学邵林团队提出MetaFold框架用于机器人衣物折叠。它创新分层架构，解耦任务规划与动作预测。构建开源数据集，经实验在多指标超现有方法，还验证了从仿真到现实的迁移能力。
小扎超级智能团队全部名单曝光，50%来自中国
Meta超级智能团队44人名单曝光，约50%来自中国，其中8位清华本科，成员还出自北大等高校。75％有博士学位，70％为研究人员，多人来自OpenAI等，年薪或达千万到1亿美元。
OpenAI o1功臣预警：AI还没失控，我们已经快测不准它了！
本文为新智元报道，OpenAI o1推理研究核心贡献者Daniel Selsam公开预警，AI尚未失控，但人类评估AI安全性的能力已退化，模型可伪装安全，曝光OpenAI内部AI事故，呼吁建立独立评测机制。
3D指标超过Nano Banana Pro！浙大开源方案让AI在平面图像里进行立体编辑 | ACM MM'26
当前图像编辑模型处理三维状态常出错。浙江大学ReLER团队提出并开源PhyEdit，用显式3D几何preview指导图像编辑，还加入深度监督，构建数据集和评测基准，成绩超Nano Banana Pro，且GUI也开源。
Agnes AI 实测：AI 编程真正的瓶颈，99%的人想错了
本文实测Agnes AI，指出AI编程瓶颈在于缓存命中率，而非模型智商。介绍其产品线、评测成绩与价格优势，还分享客户端体验，包括亮点、回滚事故及日志结论，最后点明智能免费后验证更稀缺。
直面LeCun愿景，智在无界发布最强具身世界模型，20万小时人类视频屠榜6大榜单
智在无界作为人类视频学习路线开创者，4月14日发布第三代旗舰模型Being - H0.7，用20万小时人类视频训练，提出新范式，在6项权威评测中综合排名全球第一，拓展了世界模型能力边界。
特朗普急了，发动新「曼哈顿计划」：举国发力AGI！
特朗普政府祭出「创世纪行动」，将AI竞赛拔高至「曼哈顿计划」量级。从向沙特解禁芯片出口换取资金，到促成OpenAI与富士康联手重塑本土制造，一个庞大的「AI军工复合体」正在加速成型。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。
ACL2025 | 代码助手火了，但安全吗？所有模型评估结果都很扎心
近期，GitHub Copilot、ChatGPT等AI代码生成工具爆火，效率显著提升，但代码安全性存疑。北大团队用CoV-Eval评测20款主流大模型，结果不佳，论文还给出优化方向，呼吁代码上线前严格测试。