「可验证评分机制」共找到 1677 篇相关文章
企业级Agent「登月」时刻！1人1周搞定高可用系统，只花5元
12月16日，无问芯穹智能体服务平台发布，为企业提供全链路陪伴式落地服务。它有能力模板和托管服务，能解决企业智能体落地困境，如提升效果、保障稳定、控制成本等，已在多行业验证价值。
Andrej Karpathy：做个好人，未来的 LLM 正在看着你
Andrej Karpathy 12 月 10 号写 blog，用现在视角为十年前 Hacker News 帖子自动打分，开源代码。他近期多篇文章探讨 LLM 相关，如可验证性、智能空间对比等，还启动 Eureka Labs。他认为未来 LLM 会审视当下行为。
全图与切片并非等价？LLaVA-UHD-v3揭示差异推出高效全图建模方案
随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。
斯坦福人均≈0.1张GPU！学术界算力遭「屠杀」，LeCun急了
学术界GPU荒严重，美国顶尖大学人均GPU少，与大厂差距大。如斯坦福人均0.14张，而微软等大厂数据中心算力惊人。这导致人才流向工业界，学术验证能力弱，但部分高校有改善措施。
视频模型也能推理，Sora2推理能力超过GPT-5
DeepWisdom团队研究发现视频生成模型能推理，在空间类任务上比图文模型更擅长。团队推出VR - Bench基准测试，构建客观评分体系。实验显示视频模型在空间推理有优势，相关代码和数据集已开源。
DeepSeek-V3.2正式版发布，将开源模型的能力推向极致
DeepSeek-V3.2正式版开源，包含标准版和Special版。它采用稀疏注意力机制，降低计算复杂度。后训练阶段有多项算法改进，支撑高难度推理。还融合思考与工具使用，合成训练数据，在智能体评测表现优异。
Claude Opus 4.5 × Agent Skills：从第一性原理深入剖析
文章深入剖析Claude Opus 4.5与Agent Skills，介绍了Claude Opus 4.5发布，结合Agent Skills能让模型有专业级能力。还阐述Agent Skills高级设计模式、内部架构及执行生命周期，揭示其工作机制与优势。
DeepSeek开源MoE新利器LPLB：基于线性规划，专攻训练动态负载不平衡
DeepSeek在GitHub开源LPLB，这是基于线性规划的并行负载均衡器，用于优化MoE模型专家并行工作负载分配。它通过动态重排序、副本构建等机制实现动态负载均衡，支持多种拓扑结构，但也存在成本估算等局限性。
首发 | 陈天桥盛大团队，推出最强开源记忆系统EverMemOS
EverMind团队发布面向人工智能智能体的长期记忆操作系统EverMemOS。它在主流评测集表现超此前工作成新SOTA，受人类大脑记忆机制启发设计，有四层架构和三大特点，已开源，后续将推云服务。
杨植麟带 Kimi 团队深夜回应：关于 K2 Thinking 爆火后的一切
上周，月之暗面发布并开源 Kimi K2 Thinking，主打“模型即 Agent”，一上线便引发关注。今日凌晨，杨植麟等人在 Reddit 开展 AMA 活动，回应 K2 Thinking 一系列问题，还回顾了其在多项测试中的亮眼成绩。