「测试评估集」共找到 2681 篇相关文章
攻克结构化长文档检索难题！新框架让模型告别“结构性失明”
SEAL团队推出全新对比学习框架SEAL，通过带结构感知和元素对齐，将文档宏观层级结构和微观元素语义融入Embedding空间，提升模型对结构化数据的理解。在BGE - M3模型上提升了MRR@10指标，还开源了万级字数长文档数据集。
比 Context7 更靠谱：Exa-code 靠 1B+ GitHub 与 Stack Overflow 减少幻觉
Exa团队索引超1B+文档、GitHub仓库等内容，exa - code对其混合搜索、分块处理。它是首个为编码代理制作的Web规模上下文工具，在代码幻觉评估中表现超流行网页搜索工具，核心技术有专为AI的搜索引擎和高效返回上下文。
他们在1993年就提出了Scaling Law
原来，Scaling Law在32年前就被提出了，不是2020年的OpenAI、不是2017年的百度，而是1993年的贝尔实验室。在一篇文章里提出一种预测方法，研究人员可以预测模型在更大数据集上的表现，这和现在大家常提的Scaling Law几乎一致。
刚刚，Cursor被扒底裤！Claude Code套壳实锤，500亿估值全靠Ctrl+H？
知名开发者逆向分析发现，Cursor 3.0实锤套壳Claude Code，将其包装成「自主研发」。Cursor官方称是A/B测试，但证据显示更像正式集成。此事折射出AI应用层困境，应用层玩家只能在「外围战场」厮杀。
挺意外的，Agent长期记忆潜力被AMemGym挖出来了
论文提出交互式在线策略评测框架AMemGym，它能反映AI助手长期记忆能力、驱动Agent自我进化记忆。它以结构化状态演化为骨架支撑自由对话评测，还对主流记忆系统做了扫描，带来评估与训练范式转换。
马斯克的底裤要被扒光了！超级爆料一个多小时， xAI 工程师被火速解雇
xAI工程师Sulaiman Ghori在播客大赞公司与马斯克，3天后却被解雇，或因曝光诸多敏感信息。他讲述公司无官僚流程、多线并行高效，马斯克决策快且能快速解决问题，公司还测试虚拟员工等。
让AI打游戏！能玩1000多款游戏，英伟达用4万小时视频训练出通用基础模型NitroGen
NVIDIA发布NitroGen模型，利用40000小时带按键显示的游戏视频，构建视觉-动作数据集，训练出能玩超1000款游戏的通用基础模型，在跨游戏泛化和微调任务中表现卓越，为具身智能发展提供新思路。
从数据分布视角，重新认识下CoT
本文从数据分布视角重新审视大语言模型的思维链（CoT）推理。指出CoT并非真正推理，而是模仿，其效果受训练与测试分布差异影响。通过实验揭示CoT在分布偏移时性能退化，提醒勿过度依赖。
OpenAI深夜祭出GPT-5，所有人能免费用！Altman：像和博士级专家对话
北京时间8月8日凌晨，OpenAI推出GPT - 5，宣称其更智能、准确，幻觉率低。还推GPT - 5 - mini和GPT - 5 - nano两款新模型，免费用户可使用部分版本。它在编程和健康领域测试表现出色，引发各界热议。
OpenAI再次跳票，奥特曼：开源模型无限期推迟！
奥特曼宣布OpenAI开源模型无限期推迟，称需额外安全测试和审查高风险领域。这已是第二次跳票，此前从6月推迟到夏末。而此时竞争对手纷纷上新，此决定加剧其身份分裂质疑和社区信任流失。