「测试评估集」共找到 2681 篇相关文章
金融AI的年度大考交卷了：2万名选手、30+家机构、百亿级数据开源
八月末上海举办的AFAC金融智能创新大赛（AFAC2026）总决赛，吸引众多顶尖选手。赛题模拟真实金融场景，涵盖数据规模、反馈少等难题。四届赛题反映金融AI技术迁徙，还开源百万金融智能数据集，构建数据飞轮。
阿里开源Qwen3-Coder-Next，80B参数仅激活3B的MoE顶尖编程助手
阿里开源小型MoE代码模型Qwen3 - Coder - Next，总参数量800亿但仅激活30亿参数，在代码生成等任务表现出色。团队构建训练技术栈解决数据匮乏，模型训练分阶段，多领域专家模型能力整合，基准测试性能强劲。
一夜变天！谷歌一刀砍向两巨头：奥特曼急了，黄仁勋慌了
最近谷歌重回AI舞台中央，左手TPU拆解英伟达芯片暴利，右手Gemini 3围剿OpenAI流量帝国。谷歌高管称「Gemini 3开启智能新纪元」，在多项基准测试中超越GPT - 5。Nvidia和OpenAI面临严峻挑战，AI三国混战已开始。
美团新独立APP，点不了菜只能点AI
美团新开源LongCat-Flash-Omni模型，支持多模态，在全模态基准测试达开源SOTA水准，推理快且全模态能力强。实测交互体验丝滑，其迭代逻辑清晰。该模型成功源于架构创新，美团靠软硬件结合实现虚实连接。
DeepSeek V3.1 把 R1 融了，一堆新活：<think>开关、动态搜索、新ToolCall ...
DeepSeek在Hugging Face悄悄发布V3.1版本，将对话和推理模型合并为混合推理模型。它有显式推理、内置搜索、简化工具调用等特性，Aider测试成绩佳且成本低，但也存在战术回避、幻觉率升高等问题。
工具增强的多模态LLM综述
多模态大语言模型（如GPT - 4V）虽有强大图文理解能力，但受数据稀缺、复杂任务表现不佳和评估标准不统一限制。论文提出为MLLM集成外部工具，构建全景图，覆盖多维度，还指出挑战与对策。
刚刚，OpenAI通用智能体ChatGPT Agent正式登场
北京时间周五凌晨，OpenAI发布全新ChatGPT Agent，实现通用智能体能力关键升级。它能自动用多种工具规划，完成复杂任务，已向部分订阅用户开放。其整合多能力，配备工具，基准测试表现佳，但也有安全风险。
Thinking Machines新发现：Lora不是权宜之计，哪怕秩低到 1，也能匹敌全参数微调
Thinking Machines和John Schulman新研究刷新对LoRA的认知，实验显示正确使用时它能匹敌全量微调。团队系统研究训练集与参数关系，有层选择、学习率等关键发现，还给出实用建议，但LoRA在部分场景表现待验证。
凌晨，Qwen又更新了，3090就能跑，3B激活媲美GPT-4o
Qwen凌晨更新，Qwen3 - 30B - A3B有新版本Qwen3 - 30B - A3B - Instruct - 2507。仅激活3B参数，实力媲美谷歌Gemini 2.5 - Flash和OpenAI的GPT - 4o，在多项测试中提升显著，已在魔搭社区等平台开源。
亿级短视频数据突破具身智能Scaling Law！Being-H0提出VLA训练新范式
真机数据匮乏使具身智能VLA模型发展受限，现有真机数据与所需上亿级训练样本相差甚远。BeingBeyond团队提出创新性方案，利用人类视频手部数据构建数据集，训练出VLA模型Being - H0，经实验验证效果良好。